-
公开(公告)号：CN114663965A
公开(公告)日：2022-06-24
申请号：CN202210566142.9
申请日：2022-05-24
Abstract: 本发明公开一种基于双阶段交替学习的人证比对方法和装置，该方法包括：步骤一：收集人脸图像；步骤二：将收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；步骤三：将经过处理后的训练集的图像依批次输入到卷积神经网络，使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。本发明有效提升了人证比对的准确率，实现余弦损失函数与三元组损失函数的结合，具有重大的应用价值。
-
公开(公告)号：CN112507827B
公开(公告)日：2022-05-13
申请号：CN202011370049.8
申请日：2020-11-30
Abstract: 本发明公开了一种智能视频打靶实时检测方法，包括如下步骤：获取射击打靶图像；将打靶图像转换为灰度图；采用高斯滤波对灰度图像进行预处理，减少图像中的噪声干扰；初始化获得有效第一帧图像为基准帧；计算当前帧与基准帧的帧差，对帧差图进行图像二值化，并采用中值滤波对二值化图像去噪；找出二值化图像中所有目标的轮廓，获得目标候选框；在进行弹孔检测；发现新的弹孔或者连续一组帧后未更新基准帧时，对基准帧进行更新；最后，通过统计每个弹孔在各靶环中的个数进行环值判定，获取射击打靶检测结果。本发明实现方法简单，可移植性强，速度快，能够实现对监控摄像头拍摄的打靶成绩的精准实时检测。
-
公开(公告)号：CN113947766B
公开(公告)日：2022-04-22
申请号：CN202111567665.7
申请日：2021-12-21
Applicant: 之江实验室
Abstract: 本发明公开了一种基于卷积神经网络的实时车牌检测方法，包括如下步骤：获取包含车牌的车辆图像，作为训练集，设计keypoint‑Anchor，提取训练集的特征；使用基于深度卷积神经网络的检测模型，作为车牌检测的基线网络架构，并按keypoint‑Anchor方式修改检测模型；使用训练集、目标框坐标及角点坐标对修改后的检测模型进行训练，获得训练好的检测模型；使用训练好的检测模型对待检测的图像进行检测，获得不同角度拍摄图像中车牌的检测结果。本发明实现方法简单，可移植性强，能够实现对摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准检测。
-
公开(公告)号：CN113827234B
公开(公告)日：2022-03-18
申请号：CN202111412880.X
申请日：2021-11-25
Applicant: 之江实验室
IPC: A61B5/1455 , A61B5/00 , G06V40/16 , G06V10/77 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于非接触式生理信号检测领域，涉及一种基于高光谱人脸视频的远程脉搏波重建方法，首先利用高光谱相机录制人脸视频，将录制好的人脸视频输入到光谱通道选择网络中，经过处理得到降维之后的特征；进一步的，将上一步得到的降维之后的特征输入进特征提取网络，输出为一段特征向量，最终将特征向量输入到信号重建网络中，得到重建的脉搏波信号。本发明通过光谱通道选择网络对大量的高光谱数据进行降维，提高了之后的推理速度；其次，在特征提取网络中，通过在组合数据集上的预训练加速了模型的收敛，并且通过注意力机制提高了网络对重要特征的关注程度；最后，在信号重建网络中，利用多层LSTM提取到网络的时序特征并以此对信号进行重建。
-
公开(公告)号：CN113947766A
公开(公告)日：2022-01-18
申请号：CN202111567665.7
申请日：2021-12-21
Applicant: 之江实验室
Abstract: 本发明公开了一种基于卷积神经网络的实时车牌检测方法，包括如下步骤：获取包含车牌的车辆图像，作为训练集，设计keypoint‑Anchor，提取训练集的特征；使用基于深度卷积神经网络的检测模型，作为车牌检测的基线网络架构，并按keypoint‑Anchor方式修改检测模型；使用训练集、目标框坐标及角点坐标对修改后的检测模型进行训练，获得训练好的检测模型；使用训练好的检测模型对待检测的图像进行检测，获得不同角度拍摄图像中车牌的检测结果。本发明实现方法简单，可移植性强，能够实现对摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准检测。
-
Patent Agency Ranking
公开(公告)号：CN113284051B
公开(公告)日：2021-12-07
申请号：CN202110834275.5
申请日：2021-07-23
Applicant: 之江实验室
IPC: G06T3/40
Abstract: 本发明属于计算机视觉、图像处理领域，涉及一种基于频率分解多注意力机制的人脸超分辨方法，利用小波变换及其逆变换均可逆的性质，将输入的低分辨率人脸图像进行频率分解，针对不同频率的特征，采用不同的核卷积构建基础模块，自适应集成不同感受野的特征，利用残差注意力模块，包含像素、空间和通道注意力机制，对不同频率的特征分别进行处理，低频部分纹理采用较少计算量的注意力，高频部分采用更多的残差注意力模块，在保持计算量的同时将更多的网络应用于高频部分，利用预训练的人脸关键点提取网络进行关键点提取并进行反馈，增强轮廓特征，利用生成抵抗网络增强纹理特征。
-
公开(公告)号：CN113516240A
公开(公告)日：2021-10-19
申请号：CN202110697462.3
申请日：2021-06-23
Applicant: 之江实验室
Abstract: 本发明涉及计算机视觉领域，涉及一种神经网络结构化渐进剪枝方法和系统，该方法包括：步骤S1：设定神经网络每层的裁剪率、剪枝标准及神经网络训练周期数；步骤S2：输入图片以训练神经网络，在一定训练周期内，每层裁剪率从零逐渐增加到设定的裁剪率，根据剪枝标准，确定每层的冗余信息并置为0；步骤S3：达到设定的裁剪率后，移除神经网络中的冗余信息，并重构原始的网络层；步骤S4：神经网络重构后，继续进行训练，直至达到设定的神经网络训练周期。本发明操作简单，步骤少，在正常神经网络训练过程中就能到达剪枝的目的，而且无需剪枝后的精调过程，因此可以大幅减少处理时间，相比现有技术在达到较高的裁剪率的同时能获得较高的性能。
-
公开(公告)号：CN117011316B
公开(公告)日：2024-02-06
申请号：CN202311278665.4
申请日：2023-10-07
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/11 , G06T7/00 , G06T5/70 , G06T3/4053 , G06T7/62
Abstract: 一种基于CT图像的大豆茎秆内部结构辨识方法和系统，该方法包括：步骤一，将大豆盆栽放入植物CT采集设备，利用micro‑CT设备对大豆植株进行从上而下的扫描，得到采集的大豆茎秆CT图像数据；步骤二，对采集的CT图像数据集进行数据增强，引入扩散模型对数据进行超分辨处理，获取更丰富的组织细节信息；步骤三，对CT图像进行分割，得到大豆茎秆内部的组织结构的分割图；步骤四，根据分割结果进行体积重建，获得网格化数据，获得分割区域的体积、表面积等参数。本发明利用CT技术对大豆全生命周期的茎秆内部组织进行捕获，避免了传统破坏式捕获大豆植株内部信息，能有效提升大豆植株茎秆内部结
-
公开(公告)号：CN117252930A
公开(公告)日：2023-12-19
申请号：CN202311222096.1
申请日：2023-09-21
Applicant: 之江实验室
IPC: G06T7/80
Abstract: 本发明公开了一种大型展厅多相机监控系统内外参标定方法和系统，包括以下步骤：获取多相机视频数据作为标定数据；对标定数据进行预处理；进行单目相机标定得到相机内参初值；使用链式法进行相机外参初步估计得到每个相机相对于世界坐标系的位姿作为相机外参初值；进行标定板位姿初步估计得到每个特定姿态下的标定板位姿初值；构造总重投影误差作为目标函数并引入基于畸变参数的正则项；使用相机内参初值、相机外参初值和标定位板位姿初值，最小化带有正则项的目标函数以求解全局优化问题，得到最优相机内外参数。本发明能够减小人工成本和风险，提高相机内外参标定的准确性，适用于高空悬挂或处于开阔空间中的多相机系统内外参标定应用场景。
-
公开(公告)号：CN116992919A
公开(公告)日：2023-11-03
申请号：CN202311269915.8
申请日：2023-09-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/084 , G16B40/00 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于多组学的植物表型预测方法和装置，该方法基于图卷积神经网络，将多组学如基因组、转录组、代谢组的数据作为图节点，不同组学之间的关联程度作为图的边来构建每个植株的图结构数据，将构建的图结构数据输入图卷积神经网络中，提取节点特征，通过Transformer网络更新节点特征，节点特征拼接后输入全连接层，输出表型预测值，利用整个图结构融合多组学特征实现表型的预测。本发明创新性的利用图卷积神经网络结合Transformer网络实现基因到表型的预测，并利用多组学构建图结构融合多组学数据实现精准表型预测，在一定程度上解决只用单一组学表型预测不准的问题，提高了表型预测的效果。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.03 seconds)
