-
公开(公告)号：CN115049894A
公开(公告)日：2022-09-13
申请号：CN202210609475.5
申请日：2022-05-31
Applicant: 北京交通大学
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06V10/74 , G06V10/82 , G06N3/04 , G06N3/08 , G06V40/10
Abstract: 本发明公开了一种基于图学习的全局结构信息嵌入网络的目标重识别方法，包括步骤：数据集分类及预处理、训练集上图的构建和初始化、训练深度学习模型、测试深度学习模型。本发明利用图学习理论并通过图卷积神经网络自动学习这种全局结构信息，将该关系嵌入所学的特征中，获得更有表征能力的图形表示，将目标重识别问题转化为新的边预测问题，从而更快更准确地判断数据间的关系，提高了目标重识别的精度。
-
公开(公告)号：CN116912878A
公开(公告)日：2023-10-20
申请号：CN202310635998.1
申请日：2023-06-01
Applicant: 北京交通大学
IPC: G06V40/10 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明提供一种基于弱监督学习的人体图像解析方法及系统，属于计算机视觉及人工智能技术领域，获取数据并预处理后，提取图片中的低层次视觉特征和高层次语义特征；在人体解析分支中，方法将基础网络输出的高层次的语义特征作为该分支的输入来获取预测的人体解析结果。在边缘分支中，方法将基础网络输出的低层次的视觉特征作为该分支的输入来获取边缘检测图。方法对两个分支的任务进行多任务联合学习和训练。本发明通过使用人体解析结果进一步对粗糙的边缘伪标签进行细化，以提供给边缘分支更加可靠的监督信息，并通过交叉注意力机制更充分地融合了人体解析结果和边缘信息，从而获得了更加精细的人体解析结果，提高了弱监督人体解析模型的精准率。
-
公开(公告)号：CN112396027B
公开(公告)日：2023-09-19
申请号：CN202011384258.8
申请日：2020-12-01
Applicant: 北京交通大学
IPC: G06V20/54 , G06V10/82 , G06V10/42 , G06V10/44 , G06N3/0464 , G06N3/084 , G06V10/774 , G06V10/764
Abstract: 本发明提供了一种基于图卷积神经网络的车辆重识别方法。包括：构建用于车辆重识别的网络模型，使用卷积神经网络提取待重识别的车辆图像的全局和局部特征，利用图卷积神经网络得到结构化特征，利用结构化特征计算网络模型的损失函数；根据损失函数训练网络模型，将待重识别的车辆图像和测试集的所有图像输入到训练好的网络模型中，分别得到待测图片和测试集的所有图像的图片特征，根据图片特征计算出待测图片和测试集的各个图像之间的相似性，根据相似性得到待重识别的车辆图像的重识别结果。本发明通过使用图卷积神经网络挖掘局部特征与局部特征、局部特征与全局特征之间的结构化信息，从而获得更优更全面的特征表达，提高了车辆重识别的精度。
-
公开(公告)号：CN112396027A
公开(公告)日：2021-02-23
申请号：CN202011384258.8
申请日：2020-12-01
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于图卷积神经网络的车辆重识别方法。包括：构建用于车辆重识别的网络模型，使用卷积神经网络提取待重识别的车辆图像的全局和局部特征，利用图卷积神经网络得到结构化特征，利用结构化特征计算网络模型的损失函数；根据损失函数训练网络模型，将待重识别的车辆图像和测试集的所有图像输入到训练好的网络模型中，分别得到待测图片和测试集的所有图像的图片特征，根据图片特征计算出待测图片和测试集的各个图像之间的相似性，根据相似性得到待重识别的车辆图像的重识别结果。本发明通过使用图卷积神经网络挖掘局部特征与局部特征、局部特征与全局特征之间的结构化信息，从而获得更优更全面的特征表达，提高了车辆重识别的精度。
-
-
-
Search Results
4
records
(took 0.013 seconds)
