公开(公告)号：CN114724062A

公开(公告)日：2022-07-08

申请号：CN202210300612.7

申请日：2022-03-25

Applicant: 上海交通大学

Inventor： 孙锬锋 ,  喻守彬 ,  许可

IPC: G06V20/40 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于对抗网络模型的视频异常事件检测方法及系统，包括如下步骤：模型建立步骤：建立重建帧生成对抗网络模型；检测步骤：对待检视频数据进行处理，将处理后的待检视频数据输入到建立好的重建帧生成对抗网络模型中，得到重建帧，对重建帧进行判断，获取检测结果。本发明将视频运动特征转化为运动梯度，并通过运动梯度嵌入的方式实现时空信息融合，能在单张图片上结合运动特征和外表特征，解决了视频训练输入冗余，计算量大的问题，网络训练参数减少，检测准确性也很优异。

公开(公告)号：CN110969107A

公开(公告)日：2020-04-07

申请号：CN201911165623.3

申请日：2019-11-25

Applicant: 上海交通大学

Inventor： 孙锬锋 ,  蒋兴浩 ,  喻守彬 ,  董艺 ,  许可

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明提供了一种基于网络模型鸟类种群识别分析方法及系统，包括：样本数据库建立步骤：建立训练图片样本数据库，得到用于训练GoogLeNet网络模型的样本数据库；目标检测网络训练步骤：使用开源预训练数据，得到Yolov3目标检测网络a；种类判别网络训练步骤：用不同种类图片样本训练GoogLeNet网络模型，得到精确判别鸟类种类GoogLeNet网络b；视频解帧步骤：对实时输入的待识别视频解帧成待识别图片流。本发明解决了现有方法中存在识别结果中噪声过多过杂问题，极大提高了利用深度学习模型进行鸟类种群识别的效果，识别准确率高，能实时输出、更新识别结果。