-
公开(公告)号：CN112597979A
公开(公告)日：2021-04-02
申请号：CN202110236301.4
申请日：2021-03-03
Applicant: 之江实验室
Abstract: 本发明提出了一种实时更新余弦夹角损失函数参数的人脸识别方法，属于计算机视觉中的人脸识别领域。该方法包括：（1）收集人脸图像，并将人脸图像按个体分类，并对每个人脸图像进行数据标注；（2）对人脸图像进行图像预处理，得到人脸图像数据集；（3）初始化余弦夹角损失函数的的余弦值放大尺度和余弦夹角间隔；（4）将图像数据集送入卷积神经网络，实时计算更新余弦值放大尺度和余弦夹角间隔，直至完成对卷积神经网络的训练，（5）将需要进行比对判断的人脸图像输入训练好的卷积神经网络中，输出人脸特征向量，用于进行人脸识别匹配。本发明的人脸识别方法具有训练收敛速度快，识别准确率高的特点。
-
公开(公告)号：CN112581626A
公开(公告)日：2021-03-30
申请号：CN202110198676.6
申请日：2021-02-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于非参数化和多注意力机制的复杂曲面测量系统，主要针对形貌随机复杂的2.5D连续曲面，该系统包括依次连接的基于被测对象几何形状的曲面特定核函数设计模块、高斯过程（GP）点云自适应采样模块、曲面配准和稀疏误差重建模块、像素化和归一化模块、多尺度多注意力超分辨模块、解归一化模块、点云空间映射模块，最终将稀疏的点云数据进行增强得到高质量高密度的点云数据。该系统针对接触式形貌测量传感器测量效率较低的问题，通过结合高斯过程和多注意力机制的超分辨技术，利用较少的测量点即可以完成对连续复杂的2.5D曲面的高精度测量和重建，具有测量效率高、点云上采样精度高和曲面细节还原性高的优点。
-
公开(公告)号：CN112070075B
公开(公告)日：2021-02-09
申请号：CN202011264121.9
申请日：2020-11-12
Applicant: 之江实验室
Abstract: 本发明公开一种基于协同回归的人体检测方法，该方法首先预训练深度卷积神经网络骨干模型；然后在模型的输出特征层分别预测人头中心点、人体中心点及对应人体宽高；同时在模型的输出特征层分别回归指向人体中心点的向量和指向人头中心点的向量；训练最小化损失函数，得到人体检测模型；最后将测试集图片输入训练好的模型，利用人头中心点、人体中心点预测值及两者互相指向的向量确定人体位置，结合人体宽高预测值得到人体检测结果。本发明通过充分考虑人群密集场景人体检出率低的问题，利用人群密集场景中人头相较于人体不易产生互相遮挡的特点，提出基于人头中心点、人体中心点协同回归的人体检测方法，在人群密集场景中的人体检出率高。
-
公开(公告)号：CN111768342B
公开(公告)日：2020-12-01
申请号：CN202010915168.0
申请日：2020-09-03
Applicant: 之江实验室
Abstract: 本发明涉及一种基于注意力机制和多级反馈监督的人脸超分辨方法，采用两个阶段学习极低分辨率的人脸图像到高分辨率图像的映射，并且学习一个额外的反馈回归映射，估计下采样核并重建低分辨率图像，形成一个闭环来提供额外的监督。首先利用残差网络和通道注意力机制对原始图像进行特征提取，利用亚像素卷积进行上采样，得到质量较好的图像并进行反馈监督，然后输入到精细超分辨网络中得到目标高分辨图像，并对其提取人脸五官解析图，将解析图和主网络图像特征融合后送到一个精细的超分辨解码器来恢复高分辨图像，并进行反馈监督。本发明针对原始图片无法提取较好的人脸几何形状，采用两级超分辨网络和反馈回归映射进一步增强人脸特征。
-
公开(公告)号：CN111768342A
公开(公告)日：2020-10-13
申请号：CN202010915168.0
申请日：2020-09-03
Applicant: 之江实验室
Abstract: 本发明涉及一种基于注意力机制和多级反馈监督的人脸超分辨方法，采用两个阶段学习极低分辨率的人脸图像到高分辨率图像的映射，并且学习一个额外的反馈回归映射，估计下采样核并重建低分辨率图像，形成一个闭环来提供额外的监督。首先利用残差网络和通道注意力机制对原始图像进行特征提取，利用亚像素卷积进行上采样，得到质量较好的图像并进行反馈监督，然后输入到精细超分辨网络中得到目标高分辨图像，并对其提取人脸五官解析图，将解析图和主网络图像特征融合后送到一个精细的超分辨解码器来恢复高分辨图像，并进行反馈监督。本发明针对原始图片无法提取较好的人脸几何形状，采用两级超分辨网络和反馈回归映射进一步增强人脸特征。
-
Patent Agency Ranking
公开(公告)号：CN117851883B
公开(公告)日：2024-08-30
申请号：CN202410006211.X
申请日：2024-01-03
Applicant: 之江实验室
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06F18/27 , G06V10/764 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于跨模态大语言模型的场景文本检测与识别方法，该方法包括：获取多组具有真值标注的图像‑文本数据集；利用图像编码器对数据集中的图像进行特征提取与学习，得到图像模态的特征嵌入；将图像模态特征嵌入与对应真值标注的文本特征嵌入融合构造为图像及自然语言的多模态特征序列；将融合后的多模态特征序列输入大语言模型当中进行跨模态编解码，再进行自回归机制下的网络微调；将文本图像输入上述训练好的图像编码器与大语言模型当中，通过线性分类与类目查表的方式将网络输出翻译为当前图片当中所包含的文本目标的内容及位置，从而完成文本检测与识别任务。本发明实现方法简便，灵活鲁棒，适用范围广。
-
公开(公告)号：CN118279610A
公开(公告)日：2024-07-02
申请号：CN202410704308.8
申请日：2024-06-03
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 本发明公开了一种基于图像表型匹配的大豆表型识别方法、电子设备、介质，包括：获取待识别的大豆图片；将其输入至预先训练好的图像编码器中提取得到图像特征，将图像特征输入至预先训练好的表型解码器中得到大豆图片获得表型结果；其中，图像编码器以及表型解码器的训练过程包括：获取大豆成熟期图像并对其设置表型标签和数组标签；将大豆成熟期图像及其对应的表型标签分别输入至图像编码器、表型编码器，从而训练图像编码器、表型编码器；固定表型编码器的网络权重；将表型标签输入至表型编码器提取得到表型特征，将表型特征输入至表型解码器提取得到表型结果识别特征，基于表型结果识别特征与数组标签间的差值从而反向传播优化表型解码器。
-
公开(公告)号：CN116721412B
公开(公告)日：2024-05-03
申请号：CN202310406872.7
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/68 , G06V10/82 , G06V10/774 , G06V10/776 , G06V10/40 , G06N3/0464 , G06N3/09
Abstract: 一种自下而上的基于结构性先验的豆荚关键点检测方法，自定义不同类型豆荚中豆粒的关键点含义，构建了包含主干网络、豆粒位置置信度热力图子网络、部位亲和域子网络、结构先验子网络四部分的自下而上的豆粒关键点检测网络，可实现先利用位置置信度检测得到所有的豆粒位置，然后结合部位亲和域积分计算，利用匈牙利算法得到豆粒之间的最优匹配连接关系，从而提取到豆荚的数量和豆荚的类型。特别的，在训练阶段通过添加结构先验子网络，提升模型的准确率。还包括一种自下而上的基于结构性先验的豆荚关键点检测系统。本发明从豆荚形态上确定豆荚类型，可快速同时检测多个豆荚，并定位得到豆荚中每个豆粒的位置。
-
公开(公告)号：CN117079060B
公开(公告)日：2024-03-12
申请号：CN202311325300.2
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V20/40 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/045
Abstract: 一种基于光合信号的叶片智能分类方法和系统，其方法包含：叶片光合信号提取、叶片光合信号分类。叶片光合信号提取通过叶片检测模型提取出视频中的叶片，使用分割算法对提取出的叶片进行分割，从而分割出叶片区块，然后以叶片区块内的像素均值记为当前帧的光合信号值，视频的多帧连续光合信号值即组成此叶片的光合信号。叶片光合信号分类使用神经网络对采集到的叶片光合信号进行特征提取训练，来实现叶片的分类。本发明提出一种基于植物叶片的光合信号，确定其提取方法，并针对植物叶片的光合信号变化，采用深度学习训练的方式，提取出植物叶片与其光合信号变化的相关性，从而大大提高叶片分类的精度。
-
公开(公告)号：CN117314755B
公开(公告)日：2024-02-13
申请号：CN202311605122.9
申请日：2023-11-29
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T3/4053 , G06T3/4046 , G06T5/60 , G06T5/70 , G06T7/00 , G06V20/70 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/0895
Abstract: 本发明公开了一种基于跨模态图像生成的多视角植株生成方法和装置，属于农业方面的图像处理领域，包括：采集植株图像并标注文本信息；基于图像和文本对文本图像映射模型进行训练微调并冻结，得到图像和文本的内嵌向量；基于图像和文本的内嵌向量，构建基于扩散模型的包含文本图像先验模块和图像编码器模块的图像生成模型并训练；实际推理阶段根据基因型‑表型预测模型得到的目标植株表型数据，引导图像生成模型生成多视角小图，并输入图像超分辨模块得到高分辨率的目标植株图像。本发明采用扩散模型构建图像生成模型和图像超分辨模块，
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.019 seconds)
