-
公开(公告)号：CN112347964A
公开(公告)日：2021-02-09
申请号：CN202011279268.5
申请日：2020-11-16
Applicant: 复旦大学
Abstract: 本发明提供一种基于图网络的行为检测方法及装置，由于采用了图神经网络建模人体骨架结构图，使得所述骨骼关键点的拓扑图以及所述骨骼关键点随着时间运动的动态特征可以有效地被图神经网络所捕获；并由于模型使用的是单阶段的时序动作检测，使得整个网络可以被端到端地训练；还由于模型中采用了特征金字塔的网络结构，使得原始视频中不同长短的动作实例可被有效的检出。本实施例所采用的方法得到的动作检测精度不逊色于目前多种其他的未修剪视频行为检测方法，也是第一个将骨架数据模态引入未修剪视频行为定位的方法。因此本方法不仅有效地对复杂背景下的行为检测方法提供了范例，还保证了模型的检测精度，为后续的行为识别过程提供了研究方向。
-
公开(公告)号：CN111368034A
公开(公告)日：2020-07-03
申请号：CN202010135628.8
申请日：2020-03-02
Applicant: 复旦大学
Abstract: 本发明的目的在于实现考虑到用户属性因素且兼顾用户需求的供给内容推荐，具体提供了一种基于深度神经网络的双向语义特征匹配方法，包括如下步骤：步骤S1，形成供给信息向量；步骤S2，形成用户信息向量；步骤S3，提取用户需求的关键词以及供给内容的关键词；步骤S4，建立神经网络模型；步骤S5，进行训练得到训练好的神经网络模型作为双向语义特征匹配模型；步骤S6，根据用户新输入的用户需求，采用双向语义特征匹配模型进行供给内容的匹配。步骤S4包括：将用户信息向量以及提取出的用户需求的关键词融合形成用户需求矩阵；将供给信息模型以及提取出的供给内容的关键词融合形成供给内容矩阵。本发明还提供了对应的供给内容推荐装置。
-
公开(公告)号：CN110889343A
公开(公告)日：2020-03-17
申请号：CN201911118138.0
申请日：2019-11-15
Applicant: 复旦大学
Abstract: 本发明提供一种基于注意力型深度神经网络的人群密度估计方法，其特征在于，采用基于注意力机制的深度神经网络模型从待测图像中检测出人群密度，包括如下步骤：步骤S1，对待测图像进行预处理获得预处理图像；步骤S2，搭建基于注意力机制的分组扩张深度神经网络模型；步骤S3，根据训练集对分组扩张深度神经网络模型进行训练；步骤S4，将预处理图像输入训练完成的分组扩张深度神经网络模型，从而得出各个预处理图像中的人群密度结果并进行输出，其中，分组扩张深度神经网络模型具有两个模块，包括普通卷积模块以及带有注意力机制的解码卷积模块，解码卷积模块的每一个卷积操作之后都跟着一个通道注意力加成以及一个空间注意力加成。
-
公开(公告)号：CN110213582A
公开(公告)日：2019-09-06
申请号：CN201910509308.1
申请日：2019-06-13
Applicant: 复旦大学
IPC: H04N19/124 , H04N19/146
Abstract: 本发明提供一种面向超高分辨率图像分析的高精度量化加速方法，用于通过量化对超高分辨率图像分析过程中大量的中间数据计算过程进行改善，其特征在于，包括如下步骤：步骤S1，获取最终结果需要的精确度α，得到中间计算需要保留的精确度β；步骤S2，取得中间变量X，通过当前计算的进制γ将中间变量X按照中间计算需要保留的精确度β进行量化得到偏移变量X1；步骤S3，基于偏移变量X1进行计算运算，得到计算结果Y1，并且在计算过程中保留计算过程队列Q；步骤S4，由计算结果Y1、中间计算需要保留的精确度β以及计算过程队列Q得到最终进制的最终结果Y。
-
公开(公告)号：CN109727276A
公开(公告)日：2019-05-07
申请号：CN201811450114.0
申请日：2018-11-30
Applicant: 复旦大学
IPC: G06T7/30
Abstract: 本发明提供一种超高清视频图像分析加速方法以及基于该超高清视频图像分析加速方法的超高清视频图像分析加速系统，用于采用含有多个图像计算单元的分析平台对超高分辨率的视频图像进行实时处理和分析，其特征在于，包括如下步骤：步骤S1，建立用于获取视频图像的数据传输通道，连续获取视频图像的图像帧并直接进行存储；步骤S2，按获取顺序为获取的图像帧依次设定顺序标记；步骤S3，分析图像计算单元的计算性能，进一步确定各个图像计算单元的处理顺序并生成对应的处理方案；步骤S4，根据处理方案控制相应的图像计算单元对图像帧进行图像分析计算从而获取分析结果；步骤S5，根据顺序标记依次将相应的分析结果进行存储。
-
Patent Agency Ranking
公开(公告)号：CN108805040A
公开(公告)日：2018-11-13
申请号：CN201810507166.0
申请日：2018-05-24
Applicant: 复旦大学
CPC classification number: G06K9/00228 , G06K9/00268 , G06K9/00288 , G06K9/6256
Abstract: 本发明属于图像处理的技术领域，具体为一种基于分块的有遮挡人脸识别算法。本发明在离线训练阶段，首先进行人脸检测、人脸几何归一化、光照归一化等图像预处理操作，然后基于预处理的结果，从人脸图像中提取左眼、右眼、鼻子、嘴巴四个区块，接着训练各区块的网络模型，并提取对应的特征，然后训练各区块的遮挡判别网络获取遮挡判别结果，最后根据各区块的遮挡判别结果融合其特征，并构建K‑D树特征索引；在线识别阶段，采用与离线训练阶段相同的方法提取得到人脸图像特征，然后通过K‑D树的索引方式进行特征查询，从而得到识别的结果。实验结果表明，本发明算法具有更好的准确率。
-
公开(公告)号：CN106982356A
公开(公告)日：2017-07-25
申请号：CN201710226293.9
申请日：2017-04-08
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理、分布式计算技术领域，具体为一种分布式大规模视频流处理系统。本发明建立了一种分布式大规模视频流处理的模型，并根据此模型提出分布式视频流处理系统。本发明用多机集群的方式对大规模视频流协同处理，用多台机器进行视频流采集，提高吞吐量；主要提供两种接口，一种针对视频不可分割（帧与帧之间前后依赖）的情形，如行人跟踪等，另一种是视频可以分割的情形，如行人检测等。另外，本发明提供了比较科学合理的资源监控方法（主要是CPU资源和内存资源），对于集群的资源扩展提供了依据。此外，引入CPU时间占用率，提出CPU时间占用率来衡量集群的利用率，更加直观和科学。
-
公开(公告)号：CN106980116A
公开(公告)日：2017-07-25
申请号：CN201710226448.9
申请日：2017-04-09
Applicant: 复旦大学
CPC classification number: G01S13/89 , G06T2207/30196
Abstract: 本发明属于数字图像处理技术领域，具体为一种基于Kinect摄像头的高精度室内人物测距方法。本发明实现的硬件配置为一台Kinect v2 体感摄像机，一台有USB3.0 的PC机，PC机处理器Core‑i3以上，PC机中操作系统为Windows 8或以上版本。本发明首先从Kinect体感摄像机中获取人体主要骨骼三维位置数据，再根据标定过的位置数据模型对获取的骨骼位置数据拟合校准，然后根据每个骨骼点处历史位置数据通过卡尔曼滤波器对校准后的位置数据进行平滑处理，通过卡尔曼滤波后的位置数据即为该人体各个骨骼点最终位置信息，通过计算该位置坐标与目标点位置坐标距离，即为人物各个骨骼点相对于目标点距离。通过本发明方法实现的人物测距精度在20mm以内。
-
公开(公告)号：CN106682694A
公开(公告)日：2017-05-17
申请号：CN201611223417.X
申请日：2016-12-27
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理技术领域，具体为一种基于深度学习的敏感图像识别方法。本发明主要包括如下步骤：对敏感图像进行预处理；将预处理后的全部敏感图像数据库分为训练集和测试集两部分，其中训练集又分为train和validation两个部分，比例约为5:1；将训练集图像用于深度卷积神经网络训练，训练出来的是卷积神经网络各层之间的参数；训练完成后，用训练的模型初始化测试用的神经网络，测试用的神经网络和训练的网络结构相同；将测试用的敏感图像输入到初始化后的深度神经网络，进行识别测试，实现敏感图像的识别；本发明不需要人为参与和调整，能够完成特征的提取和分类的功能，提供了一种可靠的高性能的基于深度学习的敏感图像识别技术。
-
公开(公告)号：CN106228240A
公开(公告)日：2016-12-14
申请号：CN201610615714.2
申请日：2016-07-30
Applicant: 复旦大学
Abstract: 本发明方法属于数字图像处理、模式识别技术领域。具体为一种基于FPGA的深度卷积神经网络实现方法。本发明实现的硬件平台是XilinxZYNQ-7030可编程片上SoC，硬件平台内置FPGA和ARM Cortex A9处理器。本发明首先将训练好的网络模型参数加载到FPGA端，然后在ARM端对输入数据进行预处理，再将结果传输到FPGA端，在FPGA端实现深度卷积神经网络的卷积计算和下采样，形成数据特征向量并传输至ARM端，完成特征分类计算。本发明利用FPGA的快速并行处理和极低功耗的高效能计算特性，实现深度卷积神经网络模型中复杂度最高的卷积计算部分，在保证算法正确率的前提下，大幅提升算法效率，降低功耗。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.025 seconds)
