-
公开(公告)号：CN102306281B
公开(公告)日：2013-11-27
申请号：CN201110195665.9
申请日：2011-07-13
Applicant: 东南大学
Abstract: 本发明公开一种多模态人类年龄自动估计方法，先获取用于训练的具有不同年龄段的人脸图像和语音数据，分别抽取特征作为训练用的人脸图像集和语音数据集；再从输入设备分别获取待估计的人脸图像和语音分别抽取图像特征和语音特征；然后判断类别分别参数是否训练好，若否，则用第一步得到的数据集应用IIS-LLD算法进行训练，然后得到一个基于人脸图像的类别分布函数的最佳参数和一个基于语音的类别分布函数的最佳参数；若是，则将得到的最佳参数分别代入，得到对应于该组数据的基于人脸图像的类别分布和基于语音的类别分布；将得到的类别分布结合得到一个新的类别分布；从得到的新的类别分布中选取对该样本描述程度最大的年龄即可。
-
Patent Agency Ranking
公开(公告)号：CN117195951B
公开(公告)日：2024-04-16
申请号：CN202311232774.2
申请日：2023-09-22
Applicant: 东南大学
IPC: G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/086 , G06N3/084 , G06V10/774 , G06V10/778 , G06V10/764 , G06V10/82
Abstract: 本发明提供一种基于架构搜索和自知识蒸馏的学习基因继承方法，为后代网络搭建超网络；随机选取增强后的数据输入超网络和祖先网络；计算超网络与祖先网络特征图的差异来更新超网络的参数；从超网络中搜索相似度最高的后代网络架构。随机选取少量下游任务样本增强后输入后代网络，输出样本类别预测概率；输出后代网络中继承学习基因的层和未继承学习基因的层的特征图的相似度来蒸馏学习基因；利用分类和相似度损失更新后代网络。本发明方法即使在噪声数据上也具有优秀的分类性能；和随机初始化方法相比，在达到相似的分类精度时，需要更少的分类数据；在少数精细标注的数据条件下，本发明方法能快速训练自动生成的后代网络使其具有较高的分类性能。
-
公开(公告)号：CN114821809A
公开(公告)日：2022-07-29
申请号：CN202210574746.8
申请日：2022-05-25
Applicant: 东南大学
IPC: G06V40/20 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06V10/82
Abstract: 本发明提供一种基于标记分布学习的多源域领域泛化行人重识别系统及方法，至少包括训练模块、类别间关系挖掘模块、领域分布对齐模块和训练方式模块，所述系统通过类别间关系挖掘模块挖掘不同类别间的关系信息并标记，再根据标记分布反映的领域间关系对类别标记分布进行修改，通过领域分布对齐模块使模型对类别所处领域以外的领域更多且同等关注，缓解源域和目标域之间的域差，从标记分布学习的角度解决了领域泛化行人重识别问题，一方面挖掘了不同类别之间的关系提升了模型的判别性，另一方面消除了不同领域之间的数据分布差异提升了模型的泛化性，进一步推动行人重识别应用的实际落地。
-
公开(公告)号：CN103544486A
公开(公告)日：2014-01-29
申请号：CN201310531120.X
申请日：2013-10-31
Applicant: 东南大学
Abstract: 本发明公开了一种基于自适应标记分布的人类年龄估计方法，方法为通过自适应训练方法结合应用年龄标记分布模型算法，将得到的人脸图像特征向量和初始年龄标记分布作为输入，应用年龄标记分布模型算法最小化输入初始年龄标记分布与模型预测标记分布之间的KL散度，得到预测年龄标记分布，然后相同年龄的预测年龄标记分布用于学习其对应年龄的年龄标记分布，循环直至训练收敛或者达到设定最大次数，得出最终预测模型；待估计人脸图像特征输入到得出的最终预测模型中，输出预测年龄。该系统的年龄估计精度可以达到与人类类似的水平。
-
公开(公告)号：CN101533468B
公开(公告)日：2012-05-23
申请号：CN200910031218.2
申请日：2009-04-27
Applicant: 东南大学
Abstract: 本发明涉及一种基于数字人脸图像的人类年龄自动估计方法，步骤为：第一步，获得待估计人脸图像；第二步，待估计图像提取待估计人脸图像的特征向量生成候选年龄成长模式向量；第三步，判断成长模式子空间是否训练好，如果否，则进入训练成长模式子空间，如果是，则进入下一步；第四步，根据训练好的成长模式子空间，将待估计人脸图像的所有候选年龄成长模式向量投影到成长模式子空间中，再从投影向量重构出完整的候选年龄成长模式向量；第五步，通过比较重构图像与原图像之间的重构误差找到重构误差最小即最佳年龄成长模式；第六步，待估计人脸图像在这个最佳候选年龄成长模式中的位置r即其年龄。该方法精确度高，可自动完成。
-
公开(公告)号：CN102306281A
公开(公告)日：2012-01-04
申请号：CN201110195665.9
申请日：2011-07-13
Applicant: 东南大学
Abstract: 本发明公开一种多模态人类年龄自动估计方法，先获取用于训练的具有不同年龄段的人脸图像和语音数据，分别抽取特征作为训练用的人脸图像集和语音数据集；再从输入设备分别获取待估计的人脸图像和语音分别抽取图像特征和语音特征；然后判断类别分别参数是否训练好，若否，则用第一步得到的数据集应用IIS-LLD算法进行训练，然后得到一个基于人脸图像的类别分布函数的最佳参数和一个基于语音的类别分布函数的最佳参数；若是，则将得到的最佳参数分别代入，得到对应于该组数据的基于人脸图像的类别分布和基于语音的类别分布；将得到的类别分布结合得到一个新的类别分布；从得到的新的类别分布中选取对该样本描述程度最大的年龄即可。
-
-
-
-
-
Search Results
36
records
(took 0.017 seconds)
