-
公开(公告)号：CN101465003A
公开(公告)日：2009-06-24
申请号：CN200710179882.2
申请日：2007-12-19
Applicant: 中国科学院自动化研究所
IPC: G06T7/40
Abstract: 本发明涉及一种基于特征线的体育视频镜头分类方法，在待分类视频镜头的采样帧中，根据场地、球员、观众在不同类别镜头中，在局部区域出现可能性的差异选择最能反映镜头类别差异的局部位置确定为特征线的位置；在确定的特征线上统计各条特征线上象素点颜色的均方误差值MSE作为最终镜头分类的特征；根据各特征线上象素点颜色的均方误差值来对采样帧所属镜头进行分类。不仅克服了传统基于主颜色面积比率的镜头分类方法受背景影响的缺点，提高了分类准确性，同时还具有计算简单、效率高的优点。本发明不但适合于足球视频，对于其它类似的场地球类项目视频如橄榄球、曲棍球等同样适用。
-
公开(公告)号：CN101377776A
公开(公告)日：2009-03-04
申请号：CN200710121079.3
申请日：2007-08-29
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明基于移动虚拟分类面的交互式图像检索方法，采用移动虚拟分类面选取图像的数据点；对图像数据点进行逐一标注；利用前一个标注的图像数据点选取下一个图像数据点；利用标注的图像数据点查找访问图像，完成交互式图像检索。在图像检索的相关反馈过程中，主动学习常常被用来减轻人工标注的数据量，其主要思想是每次仅仅选取信息量最大的数据进行标注。传统的成批标注的方法忽略了数据点之间的关系，因此不够高效。本发明提出移动虚拟分类面选点策略，利用前一个标注的数据去为下一个数据的选取提供指导，从而在不增加标注数据量的条件下提高了所标注数据总的信息量。移动虚拟分类面选点策略使主动学习算法性能得到了显著提高。
-
公开(公告)号：CN100448295C
公开(公告)日：2008-12-31
申请号：CN200510073985.1
申请日：2005-05-27
Applicant: 中国科学院自动化研究所
IPC: H04N7/26
Abstract: 一种低复杂度的积分码率控制的方法。这种方法在适用于传统编码器的同时特别适用于采用率失真技术的编码器。首先，为GOP中各帧分配相应的比特数；然后，根据图像的复杂度为当前GOP内的的当前帧分配比特数；再根据积分码率控制技术，求出当前需编码宏块的量化参数。在做相应调整之后，把求得的量化参数返回给率失真优化技术和其他编码部分。其中应用了许多模型，包括全局复杂性估计模型、流体流量阻塞模型、积分码率控制模型等。通过采用这些这些技术，准确的控制了码率的变化，保证了解码图像的视觉质量，同时，取得了非常低的复杂度。
-
公开(公告)号：CN1633944A
公开(公告)日：2005-07-06
申请号：CN200310116047.6
申请日：2003-12-30
Applicant: 中国科学院自动化研究所
IPC: A61B5/117
Abstract: 本发明揭露一种基于一类支持向量的快速人脸检测的方法，包括如下步骤：a)利用肤色特征，找到人脸候选区域；b)mosaic图校验，进一步减少人脸候选区域；c)简化流形降维，并用人脸模式的一类支持向量来描述；d)分类器决策，判断候选区域是否是人脸区域。目的就是从摄像机捕捉来的图像中找到人脸及其存在的位置，为进一步的人脸分析作初始准备。人脸检测的效果直接影响自动人脸分析系统的性能。本发明能提高检测的效率和性能。
-
公开(公告)号：CN1484200A
公开(公告)日：2004-03-24
申请号：CN02142419.5
申请日：2002-09-17
Applicant: 中国科学院自动化研究所
IPC: G06T5/50
Abstract: 一种基于模式图的纹理特征表示方法，包括步骤：对原图像的每个像素取其5*5的领域块b；设有M个反映图像灰度梯度变化的模板，其中，M是大于1的正整数；计算M个模板和b的内积；用内积最大的模板的编号作为这一像素在模式图的输出值。本发明的特征统计量的计算时间比常规方法要短的多，而且本发明去除了图像中光照的影响，只要光照在一定范围内是均匀的，即使在广域上有不同的光照，模式图也不受影响。
-
Patent Agency Ranking
公开(公告)号：CN111783755A
公开(公告)日：2020-10-16
申请号：CN202010918877.4
申请日：2020-09-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及计算机视觉领域，具体涉及一种基于空间变换信息传递的人体关键点检测方法与系统，旨在减少空预测、假阳性预测的产生。本发明的检测方法包括：将待检测的人体图像输入对抗网络，提取关键点特征和肢干特征，进而生成关键点第一热度图和肢干热度图；将待检测的人体图像进行降采样，得到降采样后的人体图像；根据降采样后的人体图像、关键点第一热度图、肢干热度图和关键点特征，基于空间变换网络生成经过信息传递修正后的关键点热度图。本发明通过对相邻关键点的空间关系变换和传递补充了人体关键点的预测先验，抑制了遮挡与人体姿态多样性给关键点预测带来的噪声，从而有效减少空预测、假阳性预测的产生。
-
-
公开(公告)号：CN104361363B
公开(公告)日：2018-01-16
申请号：CN201410687304.X
申请日：2014-11-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种深度反卷积特征学习网络的生成方法，包括：采用非监督的方式预训练一个多层的反卷积特征学习网络模型；以及用物体检测信息自上而下对所述学习网络模型进行微调。以及一种由此生成的深度反卷积特征学习网络和图像分类方法。本发明的方法在深度特征学习模型中引入非负稀疏性约束，增强了特征的判别力，提高了图像分类的准确率；将物体检测信息作为自上而下的高层指导信息对预训练后的网络进行细调，使得网络中不同节点对输入的图像结构具有较强选择性，尤其是最高层的节点对不同物体类别有不同响应，得到的高层特征有了明显的语义涵义，同时提高了图像分类的准确率。
-
公开(公告)号：CN106570477A
公开(公告)日：2017-04-19
申请号：CN201610962720.5
申请日：2016-10-28
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00825 , G06K9/6256 , G06K9/627 , G06K2209/23 , G06N3/08
Abstract: 本发明提出了一种基于深度学习的车型识别模型构建方法，该方法针对车型识别问题，设计了一种深层卷积神经网络结构，联合采用softmax分类损失和利用车型类别的层次化结构构建的基于四元组的排序损失来监督深层卷积神经网络的训练，实现对车型类内差异和类间差异的同时约束，以期学到语义信息更丰富的特征表示和更具有判别力的分类器；为了加快网络收敛，还采用了一种在线困难样本挖掘策略和改进的梯度反传优化算法，大大缩短了网络训练时间。同时本发明还提出了一种基于深度学习的车型识别方法，该方法利用上述模型构建方法构建的模型进行车辆图片中车辆类型的识别，有效提升车型分类精度。
-
公开(公告)号：CN103093248B
公开(公告)日：2016-03-23
申请号：CN201310032048.6
申请日：2013-01-28
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 本发明公开了一种新的基于多视角学习的半监督图像分类方法，用以解决带有部分标注的多视角图像数据的分类问题。本发明提供的图像分类方法包括：根据用户输入的图像多视角特征表示和部分图像的类标，联合学习图像多视角特征的统一潜在因子表示和在此统一潜在因子空间下具有判别力的线性分类器，从而对未标注图像进行有效的分类。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.027 seconds)
