-
公开(公告)号：CN118397038B
公开(公告)日：2024-09-03
申请号：CN202410813628.7
申请日：2024-06-24
Applicant: 中南大学
IPC: G06T7/215 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/207 , G06V10/54 , G06V10/56 , G06V10/80 , G06V10/82
Abstract: 本申请公开了一种基于深度学习的运动目标分割方法、系统、设备及介质，本方法通过采用特征提取网络模型提取预处理后的第一输入图片和第二输入图片中的特征，并将特征提取网络模型中的若干网络层输出的特征作为特征向量集，得到第一特征向量集和第二特征向量集；构建第一特征金字塔和第二特征金字塔，并基于第一特征金字塔和第二特征金字塔估计光流，得到光流结果；将第二特征向量集中最后提取的特征向量进行多尺度的深层次特征提取，得到深层次特征向量集；将深层次特征向量集与光流结果进行不同尺度的特征融合，得到多个融合特征；根据多个融合特征，采用分割头进行运动目标分割，得到运动目标分割结果。本申请能够提高运动目标分割的准确度。
-
Patent Agency Ranking
公开(公告)号：CN118470586A
公开(公告)日：2024-08-09
申请号：CN202410420583.7
申请日：2024-04-09
Applicant: 中南大学
IPC: G06V20/40 , G06T7/73 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764 , G06N3/084 , G06V40/20
Abstract: 本申请公开了一种面向视觉售货柜的购物行为识别方法、系统、设备及介质，本方法通过获取视觉售货柜的视频段数据集和待识别的视频数据；采用第一算法提取视频段数据集中的商品坐标；采用第二算法提取视频段数据集中的手部关节点坐标；根据商品坐标和手部关节点坐标，确定时空人‑物关系序列图；采用时空人‑物关系序列图训练时空图卷积网络模型，得到训练好的时空图卷积网络模型；以便采用训练好的时空图卷积网络模型对待识别的视频数据进行分类，得到原子行为结果，并根据原子行为结果，得到时序复合的购物行为识别结果。本申请能够准确识别购物行为是否正常，并提高网络模型的检测速度。
-
公开(公告)号：CN118470586B
公开(公告)日：2025-03-25
申请号：CN202410420583.7
申请日：2024-04-09
Applicant: 中南大学
IPC: G06V20/40 , G06T7/73 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764 , G06N3/084 , G06V40/20
Abstract: 本申请公开了一种面向视觉售货柜的购物行为识别方法、系统、设备及介质，本方法通过获取视觉售货柜的视频段数据集和待识别的视频数据；采用第一算法提取视频段数据集中的商品坐标；采用第二算法提取视频段数据集中的手部关节点坐标；根据商品坐标和手部关节点坐标，确定时空人‑物关系序列图；采用时空人‑物关系序列图训练时空图卷积网络模型，得到训练好的时空图卷积网络模型；以便采用训练好的时空图卷积网络模型对待识别的视频数据进行分类，得到原子行为结果，并根据原子行为结果，得到时序复合的购物行为识别结果。本申请能够准确识别购物行为是否正常，并提高网络模型的检测速度。
-
公开(公告)号：CN118365851B
公开(公告)日：2024-08-27
申请号：CN202410793249.6
申请日：2024-06-19
Applicant: 中南大学
Abstract: 本申请公开了一种基于深度学习的图像对齐方法、系统、设备及存储介质，采用特征提取模块对两张待对齐图像进行特征提取，得到第一多尺度特征图和第二多尺度特征图；其中，特征提取模块采用两个权重共享的特征提取网络和循环特征金字塔网络进行构建得到；基于第一多尺度特征图和第二多尺度特征图，采用特征匹配模块计算每个尺度上的相似矩阵，得到最终相似矩阵；其中，特征匹配模块采用自注意力机制与交叉注意力机制进行构建得到；将最终相似矩阵输入至图像对齐模块，得到单应性矩阵；其中，图像对齐模块采用多个卷积块进行构建得到；根据单应性矩阵将两张待对齐图像进行单应性变换，得到对齐图像。本申请能够提高图像对齐的精确度和稳定性。
-
公开(公告)号：CN118365851A
公开(公告)日：2024-07-19
申请号：CN202410793249.6
申请日：2024-06-19
Applicant: 中南大学
Abstract: 本申请公开了一种基于深度学习的图像对齐方法、系统、设备及存储介质，采用特征提取模块对两张待对齐图像进行特征提取，得到第一多尺度特征图和第二多尺度特征图；其中，特征提取模块采用两个权重共享的特征提取网络和循环特征金字塔网络进行构建得到；基于第一多尺度特征图和第二多尺度特征图，采用特征匹配模块计算每个尺度上的相似矩阵，得到最终相似矩阵；其中，特征匹配模块采用自注意力机制与交叉注意力机制进行构建得到；将最终相似矩阵输入至图像对齐模块，得到单应性矩阵；其中，图像对齐模块采用多个卷积块进行构建得到；根据单应性矩阵将两张待对齐图像进行单应性变换，得到对齐图像。本申请能够提高图像对齐的精确度和稳定性。
-
公开(公告)号：CN118397038A
公开(公告)日：2024-07-26
申请号：CN202410813628.7
申请日：2024-06-24
Applicant: 中南大学
IPC: G06T7/215 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/207 , G06V10/54 , G06V10/56 , G06V10/80 , G06V10/82
Abstract: 本申请公开了一种基于深度学习的运动目标分割方法、系统、设备及介质，本方法通过采用特征提取网络模型提取预处理后的第一输入图片和第二输入图片中的特征，并将特征提取网络模型中的若干网络层输出的特征作为特征向量集，得到第一特征向量集和第二特征向量集；构建第一特征金字塔和第二特征金字塔，并基于第一特征金字塔和第二特征金字塔估计光流，得到光流结果；将第二特征向量集中最后提取的特征向量进行多尺度的深层次特征提取，得到深层次特征向量集；将深层次特征向量集与光流结果进行不同尺度的特征融合，得到多个融合特征；根据多个融合特征，采用分割头进行运动目标分割，得到运动目标分割结果。本申请能够提高运动目标分割的准确度。
-
-
-
-
-
Search Results
6
records
(took 0.035 seconds)
