-
公开(公告)号：CN116739903A
公开(公告)日：2023-09-12
申请号：CN202310793797.4
申请日：2023-06-30
Applicant: 华侨大学
IPC: G06T3/40 , G06V10/764 , G06V10/42 , G06V10/774
Abstract: 本发明公开了一种结合分类加强与细化微调的目标跟踪方法、装置及可读介质，构建目标跟踪网络模型并训练，得到经训练的目标跟踪网络模型，将当前帧输入ResNet模块，将ResNet模块的输出特征输入全局感知模块，得到全局感知特征，将全局感知特征与模板帧输入分类加强模块，得到前景特征图和前景概率特征图；在第一分支中，将降维后的全局感知特征与模板帧输入判别相关滤波器，得到定位特征图；在第二分支中，将前景特征图、前景概率特征图和定位特征图融合得到混合特征图，将混合特征图与ResNet模块的部分输出特征输入微调路径模块，得到目标的掩膜，通过拟合掩膜，得到矩形框，细化微调模块根据矩形框提取目标的特征，并与模板帧做逐像素相关，得到目标跟踪框。
-
公开(公告)号：CN116612445A
公开(公告)日：2023-08-18
申请号：CN202310891062.5
申请日：2023-07-20
Applicant: 华侨大学
IPC: G06V20/54 , G06V10/762 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06N3/088
Abstract: 本发明公开了一种基于自适应聚类和困难样本加权的无监督车辆再辨识方法，首先，利用当前聚类参数计算最合适的半径值，提升聚类伪标签对车辆样本噪声的鲁棒性；其次，记忆模块记录所有车辆样本特征向量，利用距离作为车辆样本困难程度加权依据，改善模型对困难车辆样本关注力不足的问题；最后，利用加权困难车辆样本结合对比学习方法训练车辆再辨识模型。本发明可广泛应用于智慧交通和智慧安防中的智能视频监控系统。
-
公开(公告)号：CN116612439A
公开(公告)日：2023-08-18
申请号：CN202310891061.0
申请日：2023-07-20
Applicant: 华侨大学
IPC: G06V20/52 , G06V40/10 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种模态域适应性和特征鉴别性平衡方法及行人再辨识方法，其中的模态域适应性和特征鉴别性平衡方法用于红外光与可见光跨模态行人再辨识。本发明在模态域适应性优化和特征鉴别性优化之间设置一个注意力模块，用模态域适应性优化函数监督注意力模块的掩码学习，并用特征鉴别性优化函数监督注意力模块的反掩码学习，从而借助注意力机制自动平衡模态域适应性和特征鉴别性之间的矛盾，改善特征学习效果，提升红外光与可见光跨模态行人再辨识准确性。本发明可以应用于智能视频监控系统中的行人身份识别、行人轨迹分析等，具有广泛的应用价值。
-
公开(公告)号：CN116128779A
公开(公告)日：2023-05-16
申请号：CN202211687228.3
申请日：2022-12-27
Applicant: 华侨大学 , 厦门亿联网络技术股份有限公司
Abstract: 本发明涉及一种适用于跨模态行人再辨识的随机置色数据增强方法，先对可见光图像随机裁剪局部区域，对所裁剪的局部区域进行随机灰度化变换，以及对红外光图像随机裁剪局部区域，对所裁剪的局部区域进行随机彩色化变换；再将变换后的局部区域替换为原先被裁剪区域，获取随机置色增强可见光和红外光图像用于跨模态行人再辨识步骤。本发明在图像层面上，以轻量计算代价缓解可见光和红外光图像风格差异，从而提升跨模态行人再辨识模型对模态变化的适应能力，进而提升跨模态行人再辨识的准确性。
-
公开(公告)号：CN115995065A
公开(公告)日：2023-04-21
申请号：CN202310149452.5
申请日：2023-02-22
Applicant: 华侨大学 , 厦门亿联网络技术股份有限公司
IPC: G06V20/54 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明提供一种基于动态卷积Transformer的车辆再辨识方法；不同于各个局部区域共用卷积核，本发明中各个局部区域共用一个卷积核池，由一个全连接人工神经子网从各个局部区域各自学习得到一组系数，利用各个局部区域对应的系数将卷积核池中的卷积核进行线性融合获得各个局部区域的专用卷积核，用于学习各个局部区域的特征。因此，本发明能够根据各个局部区域自身的表征特性自适应学习相应的卷积核，能够更好学习车辆图像的局部特征，从而有利于提升车辆再辨识性能。
-
Patent Agency Ranking
公开(公告)号：CN109996084B
公开(公告)日：2022-11-01
申请号：CN201910361446.X
申请日：2019-04-30
Applicant: 华侨大学
IPC: H04N19/59 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法，属于视频编码领域，本方法使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，考虑不同QP值的影响，并最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0，1，2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN110516640B
公开(公告)日：2022-09-30
申请号：CN201910818186.4
申请日：2019-08-30
Applicant: 华侨大学
IPC: G06V20/58 , G06V10/46 , G06V10/774
Abstract: 本发明涉及一种基于特征金字塔联合表示的车辆再辨识方法，包括：构建特征金字塔，设计多级特征金字塔的联合表示方法，设计损失函数，对输入的图像进行距离度量学习和对比学习。本发明特别考虑了车辆再辨识中的难点，即由不同距离的摄像头捕捉到的车辆图像分辨率不同，能够有效地解决车辆再辨识中对于上述难点产生的车辆识别精度不高的问题。
-
公开(公告)号：CN114239730A
公开(公告)日：2022-03-25
申请号：CN202111564321.0
申请日：2021-12-20
Applicant: 华侨大学 , 厦门亿联网络技术股份有限公司
Abstract: 本发明公开了一种基于近邻排序关系的跨模态检索方法，包括：构建用于图像模态数据以及文本模态数据的深度语义特征提取的深度神经网络模型；将图像数据与文本数据对分别输入到所述深度神经网络模型中进行训练；结合近邻样本排序损失函数和语义相似度度量损失函数，计算语义对齐的损失值，通过训练缩小损失值，得到训练好的深度神经网络模型；通过训练好的深度神经网络模型提取到图像数据和文本数据间的公共语义表达，并将图像的深度语义特征与文本的深度语义特征转化到公共语义空间中，实现语义相似度的度量和检索。本发明方法能够有效地实现图像和文本两种不同模态数据间的跨模态检索。
-
公开(公告)号：CN113486723A
公开(公告)日：2021-10-08
申请号：CN202110649660.2
申请日：2021-06-10
Applicant: 华侨大学
Abstract: 本发明涉及一种高效车辆再辨识方法，包括：构造四个不同方向性深度网络，并在它们的训练过程中使用困难样本进行协调调度，增强四个方向性深度所学车辆特征之间的互补性；利用知识蒸馏方法，将四个不同方向性深度网络作为教师网络，用于指导一个简单的学生网络训练，再将学生网络用于车辆再辨识，从而降低车辆再辨识的计算量。
-
公开(公告)号：CN112905822A
公开(公告)日：2021-06-04
申请号：CN202110144443.8
申请日：2021-02-02
Applicant: 华侨大学 , 厦门亿联网络技术股份有限公司 , 厦门云知芯智能科技有限公司 , 厦门华联电子股份有限公司
Abstract: 本发明涉及一种基于注意力机制的深度监督跨模态对抗学习方法，针对每个模态构建深度学习网络获取深度特征，引入生成对抗网络，利用模态间的交叉判别借助注意力机制不断提炼模态特征网络的生成特征，在公共子空间进行异质性数据的度量的同时，利用标签信息在标签空间对模态数据进行深度监督学习。如此构建的网络，使得训练得到的基于注意力机制的跨模态深度监督对抗模型具有良好的图文互相检索性能；在检索过程中利用训练得到的网络模型M对待查询图像(文本)和候选库中的文本(图像)进行特征提取以及余弦距离计算，从而获取待查询图像(文本)与候选库中的文本(图像)数据之间的相似度较高者，实现跨模态检索。
-
-
-
-
-
-
-
-
-
Search Results
266
records
(took 0.025 seconds)
