-
公开(公告)号：CN1908960A
公开(公告)日：2007-02-07
申请号：CN200510089006.1
申请日：2005-08-02
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明公开了一种基于特征分组的多分类器组合人脸识别方法，包括：从原始图像中提取人脸区域，并对人脸区域做预处理；对预处理后的人脸区域做人脸特征提取；对所提取的人脸特征做特征分组，得到不同的人脸特征组；对人脸特征进行分组以后，为每个特征分组设计分量分类器；利用所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。本发明的优点在于：较大程度上解决了维数灾难问题，通过特征分组，无需降维，且避免了维数灾难问题的出现，从而降低了算法设计的计算复杂度；提高了人脸识别系统的识别性能。
-
公开(公告)号：CN118135567A
公开(公告)日：2024-06-04
申请号：CN202410211335.1
申请日：2024-02-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了序列图像标注方法，用于对序列图像进行目标标注，所述方法包括：S1、获取待处理序列图像，其中，所述待处理序列图像包括多张图像，且所述待处理序列图像的多张图像之间存在时空连续性；S2、采用预设的辅助分割模型对所述待处理序列图像中的第一张图像进行目标框选并添加对应的目标标签；S3、基于步骤S2处理后的所述待处理序列图像中的第一张图像采用预设的目标跟踪模型对所述待处理序列图像中的其余图像进行目标跟踪以对其余图像一一进行目标框选。本发明的技术方案利用了序列图像中多张图像之间的时空相关性，提高了序列图像的目标标注效率和目标标注准确率。
-
公开(公告)号：CN115661542A
公开(公告)日：2023-01-31
申请号：CN202211388184.4
申请日：2022-11-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/25
Abstract: 本发明提供一种基于特征关系迁移的小样本目标检测模型的训练方法，所述方法包括：S1、获取训练集和支撑集，并用训练集对预训练的两阶段模型进行训练以获得初始化的目标检测基础模型和感兴趣区域调整模块；S2、采用训练集和支撑集将由经初始化的目标检测基础模型、感兴趣区域调整模块、特征提取网络、关系注意力模块、类别分类模块、检测框位置回归调整模块组成的训练模型进行多次迭代训练至收敛以获得由目标检测基础模型、感兴趣区域调整模块、特征提取网络、检测框位置回归调整模块、类别分类模块组成的最终的小样本目标检测模型。本发明提高了小样本目标检测模型对目标的定位能力，也可以在拥有对小样本类别的识别能力的同时，解决其对基类类别存在学习遗忘问题。
-
公开(公告)号：CN115631382A
公开(公告)日：2023-01-20
申请号：CN202211388172.1
申请日：2022-11-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/08
Abstract: 本发明提供一种基于类内偏差迁移的小样本图像分类模型的训练方法包括：S1、获取图像训练集和支撑集，并以图像训练集中的样本为输入、样本分类为输出，用图像训练集将图像编码器和分类器组成的基础图像分类模型训练至收敛以获得初始化的图像编码器；其中，所述图像训练集中包括多个基类，每个基类具有多个带类别标签的样本；所述支撑集中包括多个与基类的类别不同的新类，每个新类具有满足小样本任务要求且具有类别标签的样本；S2、用图像训练集和支撑集对由所述初始化的图像编码器、预训练语言模型、选择器、多个偏差预测器、分类器组成的基本模型进行多次迭代训练直至收敛以获得由图像编码器和分类器组成的小样本图像分类模型。
-
公开(公告)号：CN103577815B
公开(公告)日：2017-06-16
申请号：CN201310628537.8
申请日：2013-11-29
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种人脸对齐方法和系统，所述方法包括：在参考集中找到与输入人脸图像在图像特征上最相似的K个近邻人脸图像样本，其中所述参考集包括已标定面部特征点的多个人脸图像样本；从K个近邻人脸图像样本的面部特征点中得到所述输入人脸图像的面部特征点。所述方法还包括：对所述输入人脸图像的面部特征点和所述输入人脸图像的边界点做分块三角剖分，每块单独计算仿射变换，对齐到指定的脸。采用本发明可以较准确地获得多个面部特征点的位置，能够在保持身份信息的同时尽量去除姿态、表情的不一致对人脸识别的影响，提升人脸识别性能。
-
Patent Agency Ranking
公开(公告)号：CN102436636B
公开(公告)日：2013-09-25
申请号：CN201010296746.3
申请日：2010-09-29
Applicant: 中国科学院计算技术研究所 , 日电(中国)有限公司
Abstract: 本发明涉及自动分割头发的方法及系统，方法包括：步骤1，对训练集和待分割的图像进行人脸检测，提取人脸部分的扩展图像；步骤2，对于训练集中的图像，根据标记的头发像素点建立通用头发特征统计模型，依据姿态进行分类，计算各类的位置先验模型；步骤3，对待分割的图像进行划分，确定待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型选择头发种子和背景种子；步骤4，对头发种子建立头发特征统计模型，对背景种子建立背景特征统计模型；步骤5，根据待分割图像的头发特征统计模型和背景特征统计模型，及所属姿态类别的位置先验模型对待分割的图像进行头发分割。本发明能够解决多种人脸姿态的头发分割问题。
-
公开(公告)号：CN101751559B
公开(公告)日：2012-12-12
申请号：CN200910244605.4
申请日：2009-12-31
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明提供一种人脸皮肤斑痣点检测方法，包括检测人脸图像中人脸皮肤上的斑痣点；计算人脸图像的斑痣点的显著性及特征，并根据所述显著性对所述斑痣点分层。本发明还提供了一种利用皮肤斑痣识别人脸的方法，包括：检测出待识别人脸图像上分层次的斑痣点；计算所述待识别人脸图像各层斑痣点与标准人脸图像中对应层次斑痣点之间的空间距离和相似度，进而计算每一层上所述待识别人脸图像与所述标准人脸图像间的相似度；根据所述待识别人脸图像与所述标准人脸图像在每一层上的相似度来计算这两幅图像之间的整体相似度。本发明提高了人脸识别的准确性。
-
公开(公告)号：CN100478979C
公开(公告)日：2009-04-15
申请号：CN02153265.6
申请日：2002-11-26
Applicant: 中国科学院计算技术研究所
Abstract: 一种利用身材信息辅助人脸信息的身份识别方法，至少包括：采集图像信息，并进行人体检测，获取身材信息；获取人脸信息；将人脸信息和身材信息进行融合识别，获得识别结果。本发明在单一人脸识别的基础上，加入了身材辅助信息，然后将二者融合利用，在少增加或不增加系统成本的前提下，有效地提高了人脸识别系统的识别率和鲁棒性。加入身体信息，实际上相当于将人脸空间划分为根据身体信息所分割的子区域，在子区域中再进行人脸识别就降低了问题的复杂度，大大提高了基于人脸信息的身份识别算法的性能和鲁棒性。而且身材信息可以与人脸信息同时提取，不仅使采集信息的利用率提高，而且减少了系统投入。
-
公开(公告)号：CN100426314C
公开(公告)日：2008-10-15
申请号：CN200510089006.1
申请日：2005-08-02
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明公开了一种基于特征分组的多分类器组合人脸识别方法，包括：从原始图像中提取人脸区域，并对人脸区域做预处理；对预处理后的人脸区域做人脸特征提取；对所提取的人脸特征做特征分组，得到不同的人脸特征组；对人脸特征进行分组以后，为每个特征分组设计分量分类器；利用所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。本发明的优点在于：较大程度上解决了维数灾难问题，通过特征分组，无需降维，且避免了维数灾难问题的出现，从而降低了算法设计的计算复杂度；提高了人脸识别系统的识别性能。
-
公开(公告)号：CN1503194A
公开(公告)日：2004-06-09
申请号：CN02153265.6
申请日：2002-11-26
Applicant: 中国科学院计算技术研究所
Abstract: 一种利用身材信息辅助人脸信息的身份识别方法，至少包括：采集图像信息，并进行人体检测，获取人体信息；获取人脸信息；将人脸信息和人体信息进行融合识别，获得识别结果。本发明在单一人脸识别的基础上，加入了身材辅助信息，然后将二者融合利用，在少增加或不增加系统成本的前提下，有效地提高了人脸识别系统的识别率和鲁棒性。加入身体信息，实际上相当于将人脸空间划分为根据身体信息所分割的子区域，在子区域中再进行人脸识别就降低了问题的复杂度，大大提高了基于人脸信息的身份识别算法的性能和鲁棒性。而且身材信息可以与人脸信息同时提取，不仅使采集信息的利用率提高，而且减少了系统投入。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.033 seconds)
