-
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：CN113673489B
公开(公告)日：2022-04-08
申请号：CN202111225547.8
申请日：2021-10-21
Applicant: 之江实验室
IPC: G06V20/40 , G06V20/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉及深度学习领域，尤其涉及一种基于级联Transformer的视频群体行为识别方法，首先采集生成视频数据集，将视频数据集经过三维骨干网络提取三维时空特征，选取关键帧图像空间特征图；对关键帧图像空间特征图进行预处理后送入人体目标检测Transformer，输出关键帧图像中的人体目标框；然后，映射筛选后人体目标框在关键帧图像特征图上所对应的子特征图，结合关键帧图像周围帧特征图计算query/key/value，输入群体行为识别Transfomer，输出群体级别时空编码特征图；最后，经过多层感知机对群体行为进行分类。本发明具有有效提高群体行为识别准确率的效果。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN113657561B
公开(公告)日：2022-03-18
申请号：CN202111220897.5
申请日：2021-10-20
Applicant: 之江实验室
IPC: G06K9/62 , G06V10/764 , G06V10/774 , G06N3/08
Abstract: 本发明公开了一种基于多任务解耦学习的半监督夜间图像分类方法，将白天带标签的样本与夜间无标签的样本，一同输入特征提取网络，其中白天样本提取的特征向量输入分类网络头，采用交叉熵损失函数进行监督；夜间样本提取的特征向量，首先输入分类网络头获得伪标签，再根据伪标签构造正负样本对后输入自监督网络头，采用角度对比损失函数进行监督训练；完成模型多任务训练后，将夜间数据集中少量带标签的样本输入特征提取网络与分类网络头，进行迭代自蒸馏学习，最终实现夜间数据集可以有效分类的效果。
-
公开(公告)号：CN114067294A
公开(公告)日：2022-02-18
申请号：CN202210052681.0
申请日：2022-01-18
Applicant: 之江实验室
IPC: G06V20/58 , G06V20/62 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于文本特征融合的细粒度车辆识别系统及方法，系统包括：特征提取模块、分类层、文本表示网络、相似度计算模块、融合标签计算模块、散度损失计算模块；方法包括：步骤S1，构建细粒度车辆图像分类数据集；步骤S2，将训练图像进行特征提取；步骤S3，对图像特征向量进行分类；步骤S4，将数据集各子类标签输入预先训练好的文本表示网络；步骤S5，通过图像特征向量与图像标签的词向量；将得到的强化标签分布与原标签向量进行加权融合；步骤S6，将预测标签分布与加权融合的标签分布的相似度作为损失，指导整个系统的训练；步骤S7，推理阶段，将待测图像进行特征提取与分类层，根据预测的标签分布确定图像类别。
-
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。
-
公开(公告)号：CN113379606B
公开(公告)日：2021-12-07
申请号：CN202110934749.3
申请日：2021-08-16
Applicant: 之江实验室
Abstract: 本发明属于计算机视觉、图像处理领域，涉及一种基于预训练生成模型的人脸超分辨方法，包括：步骤一、采集并将低分辨率图像输入至特征提取模块，提取特征信息；步骤二、将特征信息输入至编码器，得到通道数为输入尺寸8倍的隐式矩阵，隐式矩阵通过分离模块特征分解后获得隐式向量，与人脸标签数据通过级联方式，分别输入至预训练生成模型中，得到生成特征；步骤三、将生成特征传递给解码器，并融合特征提取模块提取的特征信息，经解码操作后输出目标高分辨率图像。本发明可以将低分辨率的人脸进行高倍率的放大，最高可以获得64倍的超分结果，并且超分辨结果保持较好的保真性，使放大的图像在保真度和纹理真实度方面有更好的改进。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.021 seconds)
