公开(公告)号：CN120088599A

公开(公告)日：2025-06-03

申请号：CN202510145904.1

申请日：2025-02-10

Applicant: 北京交通大学

Inventor： 郎丛妍 ,  赵治坤 ,  王振学

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明提供了一种基于分层强化学习的图像信号处理参数预测方法。该方法包括：通过图像逆转方法对MSCOCO数据集进行处理，制作RAW‑RGB数据集，将所述RAW‑RGB数据集划分为训练集和测试集；构建包括顶层控制器和底层控制器的分层强化学习模型，利用所述训练集训练分层强化学习模型，利用所述测试集测试训练后的分层强化学习模型，测试合格后，得到训练好的分层强化学习模型；将待处理图像输入到训练好的分层强化学习模型，训练好的分层强化学习模型输出所述待处理图像敏感的图像信号处理参数。本发明实施例利用分层强化学习模型，判断当前图像质量对哪组图像信号处理参数更为敏感，为图像信号处理参数的探索提供更有针对性的指导和更小的探索空间。

公开(公告)号：CN112801138A

公开(公告)日：2021-05-14

申请号：CN202110009492.0

申请日：2021-01-05

Applicant: 北京交通大学

Inventor： 李浥东 ,  郎丛妍 ,  孙鑫雨 ,  冯紫钰 ,  赵治坤 ,  汪敏

IPC: G06K9/62 ,  G06K9/00 ,  G06F16/951 ,  G06N3/02

Abstract: 本发明提供了一种基于人体拓扑结构对齐的多人姿态估计方法。该方法包括：用MS‑COCO和MPLL数据集为输入训练HRNet网络，得到XZZNet网络；利用HRNet网络对数据集的图像样本进行学习得到人体关键点图像；将SZF数据集输入到XZZNet网络中，生成候选的没有袖子的人体姿态关键点；对HRNet网络生成的人体关键点图和XZZNet生成的候选的人体关键点图进行图匹配，利用交叉熵损失函数微调XZZNet网络，得到优化的XZZNet网络；将SZF数据集输入到优化的XZZNet网络中，生成SZF数据集中的图像对应的关键点检测图像，根据关键点检测图像得到图像中包含人体的各个关键点姿态信息。本发明在没有标记或者稀疏标记的图像中可以显著提高目标域的性能，在无监督网络学习框架下可以准确地区分图像中人体的各个关键点。

公开(公告)号：CN112801138B

公开(公告)日：2024-04-09

申请号：CN202110009492.0

申请日：2021-01-05

Applicant: 北京交通大学

Inventor： 李浥东 ,  郎丛妍 ,  孙鑫雨 ,  冯紫钰 ,  赵治坤 ,  汪敏

IPC: G06V40/20 ,  G06V40/10 ,  G06V10/774 ,  G06V10/82 ,  G06F16/951 ,  G06N3/02

Abstract: 本发明提供了一种基于人体拓扑结构对齐的多人姿态估计方法。该方法包括：用MS‑COCO和MPLL数据集为输入训练HRNet网络，得到XZZNet网络；利用HRNet网络对数据集的图像样本进行学习得到人体关键点图像；将SZF数据集输入到XZZNet网络中，生成候选的没有袖子的人体姿态关键点；对HRNet网络生成的人体关键点图和XZZNet生成的候选的人体关键点图进行图匹配，利用交叉熵损失函数微调XZZNet网络，得到优化的XZZNet网络；将SZF数据集输入到优化的XZZNet网络中，生成SZF数据集中的图像对应的关键点检测图像，根据关键点检测图像得到图像中包含人体的各个关键点姿态信息。本发明在没有标记或者稀疏标记的图像中可以显著提高目标域的性能，在无监督网络学习框架下可以准确地区分图像中人体的各个关键点。