-
公开(公告)号：CN108960296B
公开(公告)日：2022-03-29
申请号：CN201810613941.0
申请日：2018-06-14
Applicant: 厦门大学
IPC: G06V10/762 , G06V10/764 , G06V10/77 , G06K9/62
Abstract: 一种基于连续潜在语义分析的模型拟合方法，涉及计算机视觉技术。准备数据集。融合偏好分析和潜在语义分析构造潜在语义空间。分析潜在语义空间的数据分布。在潜在语义空间中自适应地去除离群点。在潜在语义空间中对剩下的数据点进行聚类分析。根据聚类结果估计模型参数，完成模型拟合。通过融合连续偏好分析和潜在语义分析快速有效地构造潜在语义空间，并将输入数据投影到所构造的潜在语义空间中，使得离群点靠近原点而来自不同模型实例的内点分布在不同的子空间中，从而将复杂的模型拟合问题看作成潜在语义空间中子空间恢复问题。本发明能够快速且有效地处理模型拟合问题。
-
公开(公告)号：CN111913849B
公开(公告)日：2022-02-11
申请号：CN202010746722.7
申请日：2020-07-29
Applicant: 厦门大学
Abstract: 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法，涉及计算机系统异常检测技术和趋势预测技术。1)模型设计：变分自编码器作为异常检测模块，为模型的前半部分；长短时记忆网络作为趋势预测模块，为模型的后半部分；2)原始运维时序数据经历数据补全，归一化处理，以及采用滑动窗口将数据分割成固定长度的时序段输入到模型；3)采用变分自编码器重构输入的时序段，从而分离出异常点，达到异常检测的目的；4)将自编码器重构的时序段输入到趋势预测模块，预测下一时刻的状态值。减少时间序列中原有的异常和噪声对长短时记忆网络的影响，提高长短时记忆网络的鲁棒性；提高性能的同时又减少性能在不同数据之间的波动。
-
公开(公告)号：CN113011336A
公开(公告)日：2021-06-22
申请号：CN202110297170.0
申请日：2021-03-19
Applicant: 厦门大学
Abstract: 一种基于深度多分支聚合的实时街景图像语义分割方法，涉及计算机视觉技术。采用流行的编码器‑解码器结构；首先采用轻量级的图像分类网络作为基础，将其改造作为编码器；然后将编码器分为不同的子网络，并将各子网络中的特征分别送入设计的多分支特征聚合网络中和全局上下文模块；接着在多分支特征聚合网络中利用格型增强残差模块和特征变换模块对需要聚合的特征进行空间细节和语义信息上的增强；最后按照特征图的大小，从小到大逐级聚合全局上下文模块的输出特征图和多分支特征聚合网络的输出特征图，以得到最终的语义分割结果图。在处理较大分辨率的街景图像的同时，保持较高的街景图像语义分割精度和实时的预测速度。
-
公开(公告)号：CN110135365B
公开(公告)日：2021-04-06
申请号：CN201910418050.4
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于幻觉对抗网络的鲁棒目标跟踪方法，涉及计算机视觉技术。首先提出一种新的幻觉对抗网络，旨在于学习样本对间的非线性形变，并将学习到的形变施加在新目标以此来生成新的目标形变样本。为了能有效训练所提出的幻觉对抗网络，提出形变重构损失。基于离线训练的幻觉对抗网络，提出基于幻觉对抗网络的目标跟踪方法，该方法能有效缓解深度神经网络在目标跟踪过程中由于在线更新发生的过拟合问题。此外，为了能进一步提升形变迁移质量，提出选择性性变迁移方法，进一步提升了跟踪精度。提出的目标跟踪方法在当前主流目标跟踪数据集上取得了具有竞争力的结果。
-
公开(公告)号：CN110111391B
公开(公告)日：2021-01-12
申请号：CN201910418346.6
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于改进的下逼近非负矩阵对极几何估计方法，涉及计算机视觉技术。提供伴随着离群点和模型假设修剪技术的基于改进的下逼近非负矩阵对极几何估计方法。首先，使用误匹配修剪技术分析匹配对之间的关系剔除离群点(误匹配点)的影响。接着，使用模型假设修剪技术来选择有意义的模型假设。然后，引入空间约束项(空间上相邻的数据点更可能属于相同的模型假设)和稀疏约束项(稀疏非负元素更能体现数据点对模型的一致特征)到下逼近非负矩阵。最后，使用交替迭代法求解下逼近非负矩阵的u和v，从u中提取多结构模型。
-
Patent Agency Ranking
公开(公告)号：CN112200111A
公开(公告)日：2021-01-08
申请号：CN202011116582.1
申请日：2020-10-19
Applicant: 厦门大学
Abstract: 一种全局与局部特征融合的遮挡鲁棒行人重识别方法,涉及计算机视觉技术。包括以下步骤：1)训练数据的准备；2)模型设计与训练；模型包括ResNet‑50骨架网络、全局分支、局部分支以及语义分支、全局分支利用SPC损失提取全局特征，局部分支提取局部特征，语义分支预测人体语义标签，三个分支可以联合在一起进行端到端的训练。3)利用训练好的模型来提取行人重识别数据训练集和测试集中所有行人图像的全局特征、局部特征以及预测行人图像的语义标签，并进行非遮挡区域指示符的计算。4)对查询集中的每幅行人图像分别与数据库中的所有行人图像计算相似度，按相似度从大到小排序，从而完成行人重识别。显著提高了识别的性能。
-
公开(公告)号：CN112132872A
公开(公告)日：2020-12-25
申请号：CN202010982221.9
申请日：2020-09-17
Applicant: 厦门大学
Abstract: 一种针对深度相关滤波目标跟踪算法的评测方法，涉及计算机视觉技术。将基于深度相关滤波的目标跟踪算法分为五个独立的部分，即移动模型、特征提取器、相关滤波模型、相关滤波模板更新器、定位模型；并对这五个独立的部分单独进行评测，从而评测出各个部分对算法的影响大小；最后通过综合这五个部分的单独评测结果，实现对基于深度相关滤波的目标跟踪方法进行改进。所获得的评测结果能够直观的评测基于深度相关滤波的目标跟踪算法，可以进一步用于基于深度相关滤波的运动分割、特征匹配等计算机视觉领域的重要任务。在多个经典的深度相关滤波目标跟踪算法上进行实验验证，能够有效对算法进行评价，从而实现对算法性能评测与针对性提升。
-
公开(公告)号：CN112132866A
公开(公告)日：2020-12-25
申请号：CN202011000090.6
申请日：2020-09-22
Applicant: 厦门大学 , 腾讯科技(深圳)有限公司
Abstract: 本申请实施例提供一种目标对象跟踪方法、装置、设备及计算机可读存储介质，涉及人工智能技术领域。方法包括：接收目标跟踪请求；响应于所标跟踪请求，对初始模板、当前累积模板和待跟踪图像对应的待跟踪区域分别进行特征提取，对应得到初始特征嵌入、当前累积特征嵌入和待跟踪特征嵌入；对模板聚合特征嵌入和特征提取得到的待跟踪特征嵌入进行互相关处理，得到每一子区域与目标对象之间的相似度；根据所述相似度，在至少两个子区域中确定所述目标跟踪请求的跟踪结果，并输出所述跟踪结果。通过本申请实施例，能够在比较低的时间复杂度下捕获目标对象外观的长程变化，提高目标对象的跟踪性能和跟踪的准确率。
-
公开(公告)号：CN112132152A
公开(公告)日：2020-12-25
申请号：CN202010994613.7
申请日：2020-09-21
Applicant: 厦门大学
Abstract: 一种利用短程关联和长程修剪的多目标跟踪与分割方法，涉及计算机视觉。训练用于分割和跟踪的卷积神经网络，将视频图片输入训练后的网络，得视频图片中每个目标实例对应的分割位置和实例表征向量；使用欧式距离度量不同实例之间表征向量的空间距离及实例掩码中心距离，度量转化成向量相似性得分和掩码中心相似性得分；用实例掩码和边缘框在相邻帧之间的传播得分得掩码相似性得分和边缘框相似性得分；利用四种相似性得分和匈牙利算法得视频中目标实例的运动轨迹；在目标实例轨迹中，使用先前帧的目标实例置信得分对当前帧目标实例置信得分进行调整，并清除实例置信得分低的运动轨迹，得到高置信得分的长程运动轨迹。具有较高精度和鲁棒性。
-
公开(公告)号：CN110189362B
公开(公告)日：2020-12-25
申请号：CN201910452361.2
申请日：2019-05-28
Applicant: 厦门大学
Abstract: 基于多分支自编码对抗网络的高效目标跟踪方法。在有标记的离线目标跟踪数据集中收集大量目标模板和包含有目标的搜索区域样本对；使用均方误差损失，通过全监督的方式对所提出的目标概率生成器进行初步训练；引入判别器，加入对抗训练的方式共同优化目标概率生成器和判别器；给定测试视频中的第一帧，采样其标注的目标区域作为初始目标模板；给定测试帧，以当前目标长宽的N倍大小的窗口进行随机的位移来得到搜索区域；将搜索区域和目标模板输入目标概率生成器，输出得到目标概率图，选取目标概率图中最大值点的位置作为目标中心；根据目标概率图分布估计目标在当前帧的尺度；根据当前帧估计的目标区域进行目标模板更新。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.031 seconds)
