-
公开(公告)号：CN111209799B
公开(公告)日：2022-12-23
申请号：CN201911337014.1
申请日：2019-12-23
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于部分共享网络和余弦间隔损失函数的行人搜索方法，包括以下内容：首先，设计了一个新的神经网络结构，让行人检测和行人重识别部分共享更为浅层的特征，使得它们更加专注各自的任务，从改进模型结构的角度，在一定程度上减轻它们之间的相互干扰。其次，深入研究了多损失函数联合优化中，行人重识别损失函数的权重对模型优化的影响，通过设置合理的损失函数参数，从优化角度缓解行人检测和重识别之间的相互干扰。最后，提出了更加鲁棒的查找表更新策略，将余弦间隔加入到OIM损失函数中以减小同类样本之间的距离，最终使得网络学习的行人特征更加具有区分性。本发明能够降低行人检测和行人重识别之间的相互干扰。
-
公开(公告)号：CN111553387A
公开(公告)日：2020-08-18
申请号：CN202010264730.8
申请日：2020-04-03
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于Yolov3的人员目标检测方法，包括：获取图像，构建基于Yolov3的基准网络时，使用K-Means算法设置Anchor参数；使用Darknet-53网络作为主干网络；引入特征金字塔结构对多尺度目标进行特征提取；使用交叉熵损失函数来计算预测框偏移量的损失；根据人员目标的高宽比设计所述Anchor的尺度；将Darknet-53网络替换为MobileNet_v2网络；通过引入空洞卷积对特征金字塔结构进行改进；通过引入IoU置信度和soft-NMS算法进行后处理优化，得到改进后的Yolov3的网络，并对人员目标进行识别和检测。通过本发明的优化和改进，能实现对人员目标的更快更精准的检测。
-
公开(公告)号：CN110264527A
公开(公告)日：2019-09-20
申请号：CN201910531853.0
申请日：2019-06-19
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于ZYNQ的实时双目立体视觉输出方法，包括以下步骤：利用标定板完成双目相机的离线标定，获得相机的内部参数、外部参数和畸变参数；基于离线标定的相机的内部参数、外部参数和畸变参数，从图像采集模块在FPGA平台上进行实时图片校正；输入校正后的图片，在FPGA平台上进行立体匹配算法实现，计算出视差图，并进行输出。本发明能够实时获取视差图，便于后续应用的二次开发。
-
公开(公告)号：CN111583313A
公开(公告)日：2020-08-25
申请号：CN202010217365.5
申请日：2020-03-25
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于PSMNet改进的双目立体匹配方法，包括：获取双目图像，构建基于PSMNet的主干网络；该网络包括：深度卷积网络，用于提取所述双目图像的左右特征图；金字塔池化结构，用于提取所述左右特征图的多尺度目标特征；匹配代价卷，用于将多尺度目标特征进行代价聚合，得到3D特征模块；3D卷积结构，用于对3D特征模块进行后续代价计算；通过引入通道注意力机制对不同特征点赋予不同的权重来改进匹配代价卷的结构；设计基于编码过程和解码过程的网络结构来改进3D卷积结构，得到改进后的基于PSMNet的主干网络；再对所述双目图像进行立体匹配。本发明的立体匹配方法能使网络结构获得更快的训练时间、更高的视差精度，具有较好的实用性。
-
公开(公告)号：CN111209799A
公开(公告)日：2020-05-29
申请号：CN201911337014.1
申请日：2019-12-23
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于部分共享网络和余弦间隔损失函数的行人搜索方法，包括以下内容：首先，设计了一个新的神经网络结构，让行人检测和行人重识别部分共享更为浅层的特征，使得它们更加专注各自的任务，从改进模型结构的角度，在一定程度上减轻它们之间的相互干扰。其次，深入研究了多损失函数联合优化中，行人重识别损失函数的权重对模型优化的影响，通过设置合理的损失函数参数，从优化角度缓解行人检测和重识别之间的相互干扰。最后，提出了更加鲁棒的查找表更新策略，将余弦间隔加入到OIM损失函数中以减小同类样本之间的距离，最终使得网络学习的行人特征更加具有区分性。本发明能够降低行人检测和行人重识别之间的相互干扰。
-
公开(公告)号：CN111553387B
公开(公告)日：2022-09-23
申请号：CN202010264730.8
申请日：2020-04-03
Applicant: 上海物联网有限公司
Abstract: 本发明涉及一种基于Yolov3的人员目标检测方法，包括：获取图像，构建基于Yolov3的基准网络时，使用K‑Means算法设置Anchor参数；使用Darknet‑53网络作为主干网络；引入特征金字塔结构对多尺度目标进行特征提取；使用交叉熵损失函数来计算预测框偏移量的损失；根据人员目标的高宽比设计所述Anchor的尺度；将Darknet‑53网络替换为MobileNet_v2网络；通过引入空洞卷积对特征金字塔结构进行改进；通过引入IoU置信度和soft‑NMS算法进行后处理优化，得到改进后的Yolov3的网络，并对人员目标进行识别和检测。通过本发明的优化和改进，能实现对人员目标的更快更精准的检测。
