-
公开(公告)号：CN116306894A
公开(公告)日：2023-06-23
申请号：CN202310167536.1
申请日：2023-02-27
Applicant: 华南理工大学
IPC: G06N3/088 , G06F18/214
Abstract: 本发明公开了一种无监督域适应的多元时序数据异常检测方法，步骤如下：离线训练阶段通过预测任务和重构任务组成的无监督多任务学习框架训练骨干网络；将训练集多元时序数据输入骨干网络，并依次进行域适应窗口归一化、显著异常误差集合扫描、POT阈值选择操作确认最优阈值；在线检测阶段，将待测多元时序数据输入骨干网络，并依次进行域适应窗口归一化、显著异常误差集合扫描操作得到异常分数和显著异常误差集合，将异常分数与最优阈值进行比较输出异常检测结果。本发明提出的无监督域适应多元时序数据异常检测方法解决了多元时序数据异常检测的域漂移问题，同时具有模型轻量，性能优越，解释性好的优点。
-
公开(公告)号：CN112381024B
公开(公告)日：2023-06-23
申请号：CN202011313048.X
申请日：2020-11-20
Applicant: 华南理工大学
IPC: G06V20/52 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合多模态的无监督行人再识别重排方法，该方法包括以下步骤：收集行人在行走过程中的多模态信息；利用卷积神经网络模型抽取行人特征，计算视觉相似度；利用图像时空信息，构建图像时空分布；利用WiFi信息，构建WiFi时空分布；融合视觉相似度，图像时空分布和WiFi时空分布，对行人重识别的排序结果进行重排。本发明方法综合了多模态信息进行二次重排，是一种降低搜索空间的有效措施，有效克服了传统的基于视觉特征的行人重识别方法对监控环境敏感的缺陷。
-
公开(公告)号：CN114528479A
公开(公告)日：2022-05-24
申请号：CN202210063961.1
申请日：2022-01-20
Applicant: 华南理工大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9537 , G06F16/901 , G06F16/906
Abstract: 本发明公开了一种基于多尺度异构图嵌入算法的事件检测方法，该检测方法通过异构随机游走、信息素传播算法以及基于三元组采样的异构图嵌入算法完成跨域的多视图事件检测任务，属于计算机技术领域。首先通过异构随机游走算法结合异构信息素散布算法，游走获取出一系列的路径集合，并根据信息素的浓度进行图的塌缩获取一系列尺度的异构图；然后通过获取到的不同尺度异构图的游走序列，进行三元组的采样优化，从而计算出不同尺度下异构图的节点的嵌入，并将其拼接再降维至合适的维度向量用于事件检测任务。本发明提出的方法可以建模复杂的新闻事件数据，并利用图嵌入的方法得到不同新闻事件的嵌入向量表示，并有效用于下游的事件检测任务。
-
公开(公告)号：CN112528756A
公开(公告)日：2021-03-19
申请号：CN202011316377.X
申请日：2020-11-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于异构图的无监督行人重识别方法，包括以下步骤：获取行人图像并划分行人图像为训练集行人图像和测试集行人图像；对训练集行人图像构建一个摄像头相关的异构图；执行基于异构图的异构相似度传播，进而高效地从异构图中挖掘出顶点与顶点之间的空间相似性；利用异构相似度学习对卷积神经网络模型进行优化；利用优化完毕的卷积神经网络模型在测试集行人图像进行重识别。本发明方法在无监督的基础上，充分考虑了行人图像的异构性，从而有效克服了传统无监督学习方法无法充分考虑无标签行人图像之间的复杂拓扑结构的缺陷。
-
公开(公告)号：CN112507893A
公开(公告)日：2021-03-16
申请号：CN202011464486.6
申请日：2020-12-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于边缘计算的分布式无监督行人重识别方法，步骤如下：1)构建边缘设备组成的分布式系统；2)边缘设备对采集的行人图像数据进行处理并获取本地伪标签；3)边缘设备利用本地行人图像数据和本地伪标签训练卷积神经网络模型；4)卷积神经网络模型在分布式系统中游走训练；5)由卷积神经网络模型提取的行人图像特征在边缘设备之间进行交互聚类并建立邻居列表；6)边缘设备根据邻居列表计算行人图像数据的全局伪标签；7)边缘设备利用本地行人图像数据和全局伪标签训练卷积神经网络模型；8)卷积神经网络模型利用全局伪标签在分布式系统中游走训练；9)提取测试图片特征并发送到边缘设备中利用相似度排序实现行人重识别。
-
Patent Agency Ranking
公开(公告)号：CN104968048A
公开(公告)日：2015-10-07
申请号：CN201510375202.9
申请日：2015-06-29
Applicant: 华南理工大学
Abstract: 本发明涉及移动通信网络和视频监控领域，公开了一种结合移动通信记录和视频监控数据的目标人物追踪方法。包含以下步骤：S1、从视频监控录像数据中找到目标人物经过的监控区域及相应的监控时间段；S2、在移动通信网络基站集合中查找覆盖这些监控区域的手机基站信息；S3、获取在监控时间段内经过这些基站的所有手机历史轨迹数据集；S4、对各个基站提取出的手机轨迹集合求交集，得到目标手机轨迹数据集；S5、提取目标手机轨迹集中的手机号码，根据手机号码在移动网络中对目标手机进行识别和追踪。具有即使目标人物不再出现在监控视频中依然可以进行持续追踪等优点。
-
公开(公告)号：CN104243600A
公开(公告)日：2014-12-24
申请号：CN201410505146.1
申请日：2014-09-26
Applicant: 华南理工大学
IPC: H04L29/08
Abstract: 本发明公开一种P2P流媒体三段式快速缓冲方法，该方法分成划分缓存区和针对各分段缓存区的缓冲策略两部分。划分缓存区的步骤是先确定系统节点数和节点缓存空间，再把每个节点缓存空间划分为一级缓存区，二级缓存区和三级缓存区三个不同逻辑分段并确定各段缓存空间的大小；针对各分段缓存区的缓冲策略步骤是，节点先向周围邻居节点或媒体服务器获取一级缓存和二级缓存中缺少的视频数据块，使之数量达到设定值。播放完的数据块将进入三级缓存区，与已有的播后数据块比较，然后剔除具有较大缓存概率的数据块，使三级缓存数据块数量达到设定值。本方法可有效减少流媒体由于热点搜索造成的搜索时延，提供流媒体播放连续度，减少流媒体服务器负载。
-
公开(公告)号：CN116458861A
公开(公告)日：2023-07-21
申请号：CN202310160680.2
申请日：2023-02-24
Applicant: 华南理工大学
IPC: A61B5/024 , G06V40/16 , G06V40/10 , G06V20/40 , G06V10/82 , G06V10/762 , G06V10/774
Abstract: 本发明公开了一种面向面部有遮挡场景的非接触式心率检测方法，步骤如下：输入训练视频，通过人脸识别截取人脸图片序列；训练基于分块的三维残差神经网络；提取基于相关系数的分块权重；提取分块频域特征聚类中心；输入真实视频，通过人脸识别截取人脸图片序列；通过已训练的基于分块的三维残差神经网络提取分块深度特征；提取基于聚类的分块权重；提取分块检测心率，将基于相关系数的分块权重和基于聚类的分块权重进行加权求和，获取最终检测心率。本发明通过为不同面部区域的心率检测结果赋予不同权重，克服了在面部被部分遮挡的场景下非接触式心率检测方法精度下降等问题。
-
公开(公告)号：CN110222579B
公开(公告)日：2022-12-16
申请号：CN201910382716.5
申请日：2019-05-09
Applicant: 华南理工大学
IPC: G06V20/40
Abstract: 本发明公开了一种结合运动规律和目标检测的视频对象计数方法，包括以下步骤：S1、利用目标检测模型从视频中检测得到每一帧包含的目标的位置；S2、根据摄像头与对象的相对运动关系，建模出摄像头的运动轨迹以及视频对应的场景模型；S3、根据检测对象在单张图片中的位置，修正各个检测对象在场景模型中的绝对位置；S4、根据检测对象在场景模型中的位置，确定不同帧的检测结果所归属的对象；S5、统计场景模型中的对象数目，即为视频中对象的数量。本发明只需少量的人工标记就可获得非常精确的目标检测效果，具有模型轻量、建模运算复杂度低的优点。
-
公开(公告)号：CN112507901B
公开(公告)日：2022-05-24
申请号：CN202011472231.4
申请日：2020-12-14
Applicant: 华南理工大学
IPC: G06V40/10 , G06V10/30 , G06V10/774 , G06V10/26 , G06V10/764 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于伪标签自纠正的无监督行人重识别方法，该方法包括：构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集对算法模型M进行预训练，使用算法模型M对目标域数据集提取第一目标特征，融合第一目标特征得到第二目标特征，使用第二目标特征进行聚类得到伪标签，对伪标签的质量进行评估并对质量差的聚簇进行纠正，将得到的结果作为伪标签重复训练算法模型M，使用算法模型M对目标域测试集提取第二目标特征并进行图像匹配，得到行人重识别结果。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.123 seconds)
