-
-
-
公开(公告)号:CN115131397A
公开(公告)日:2022-09-30
申请号:CN202110979669.X
申请日:2021-08-25
Applicant: 三星电子株式会社
Abstract: 公开了对象跟踪方法和设备。一种处理器实现的对象跟踪方法包括:基于模板图像的目标框的形状来设置模板图像中的抑制区域;通过抑制模板图像的模板特征图中的与抑制区域对应的特征数据的影响来细化模板特征图;以及通过基于细化的模板特征图确定搜索图像中的与目标框对应的边框来跟踪对象。
-
公开(公告)号:CN106446768B
公开(公告)日:2022-07-19
申请号:CN201610651797.0
申请日:2016-08-10
Inventor: 金亭培 , 鲁斯兰·萨拉赫丁诺夫 , 韩在濬 , 俞炳仁
IPC: G06V10/44 , G06V10/60 , G06V10/764 , G06V40/16 , G06K9/62
Abstract: 提供用于脸部识别的方法和设备。一种训练光照补偿模型的训练方法包括:从训练图像提取脸部区域的反射率图像、脸部区域的表面法线图像和光照特征,所述提取基于光照补偿模型;基于反射率图像、表面法线图像和光照特征生成光照恢复图像;基于训练图像和光照恢复图像来训练光照补偿模型。
-
-
公开(公告)号:CN113992812A
公开(公告)日:2022-01-28
申请号:CN202110760548.6
申请日:2021-07-06
Applicant: 三星电子株式会社
Abstract: 公开了用于活性检测的方法和设备。所述处理器实现的具有活性检测的方法包括:接收不同相位的多个相位图像;通过对不同相位的所述多个相位图像执行包括边缘增强处理的预处理来生成多个预处理后的相位图像;基于所述多个预处理后的相位图像来生成多个差分图像;基于所述多个差分图像生成比所述多个差分图像具有更低的分辨率的多个低分辨率差分图像;基于所述多个低分辨率差分图像生成最小地图图像;和基于最小地图图像对所述多个相位图像中的对象执行活性检测。
-
公开(公告)号:CN112819151A
公开(公告)日:2021-05-18
申请号:CN202010642022.3
申请日:2020-07-06
Applicant: 三星电子株式会社
Abstract: 提供了用于识别图像的方法和设备以及训练方法。所述用于识别图像的方法包括:获得待识别的图像数据作为输入数据;通过使用输入数据执行深度神经网络(DNN)模型,从DNN生成第一输出数据;改变DNN模型;通过使用输入数据执行改变的DNN模型,生成改变的DNN模型的第二输出数据;和通过组合第一输出数据和第二输出数据来确定指示图像识别结果的结果数据。
-
公开(公告)号:CN110020580A
公开(公告)日:2019-07-16
申请号:CN201811183633.5
申请日:2018-10-11
Applicant: 三星电子株式会社
Abstract: 提供一种识别对象和面部表情的方法以及训练面部表情的方法。面部表情识别设备基于讲话模型产生指示讲话与对象的每个部分之间的相关性水平的讲话图,基于面部表情模型提取与面部表情相关联的面部表情特征,并基于讲话图和面部表情特征识别对象的面部表情。面部表情训练设备训练讲话模型和面部表情模型。
-
公开(公告)号:CN107766786A
公开(公告)日:2018-03-06
申请号:CN201710450423.7
申请日:2017-06-15
Applicant: 三星电子株式会社
CPC classification number: G06K9/00288 , G06K9/00107 , G06K9/00114 , G06K9/00228 , G06K9/00268 , G06K9/00899 , G06K9/00906 , G06K9/50 , G06N3/04 , G06N3/08 , G06F21/32 , G06K9/0008 , G06K9/00597 , G06K9/0061 , G06Q20/40145
Abstract: 公开一种活性测试方法和活性测试计算设备。一种处理器实现的活性测试方法包括:从输入图像中的对象的部分提取所述对象的感兴趣区域;使用基于神经网络模型的活性测试模型对所述对象执行活性测试,其中,活性测试模型使用感兴趣区域的图像信息作为提供到活性测试模型的第一输入图像信息,并至少基于由活性测试模型从感兴趣区域的信息提取的纹理信息确定活性;指示活性测试的结果。
-
公开(公告)号:CN107665364A
公开(公告)日:2018-02-06
申请号:CN201710629393.6
申请日:2017-07-28
Applicant: 三星电子株式会社
Abstract: 一种神经网络方法和设备。所述神经网络设备包括:处理器,被配置为:通过应用神经网络的相邻层中的相邻节点之间的用于解释应用于神经网络的输入数据的轻量化的加权连接,产生神经网络,其中,神经网络具有包括多个节点的多个层,其中,所述多个层中的至少一个层的轻量化的加权连接包括针对绝对值小于非零值的绝对值的各个非零值具有等于零的值的加权连接。轻量化加权连接还包括具有绝对值不大于另一非零值的绝对值的值的加权连接,轻量化的加权连接是绝对最大值大于所述另一非零值的绝对值的训练的神经网络的训练的最终加权连接的轻量化的加权连接。
-
-
-
-
-
-
-
-
-