-
公开(公告)号：CN108875610B
公开(公告)日：2022-04-05
申请号：CN201810569922.2
申请日：2018-06-05
Applicant: 北京大学深圳研究生院
Abstract: 一种基于边界查找的用于视频中动作时间轴定位的方法，采用时间轴边界似然的组件来改进第三阶段的定位问题。该组件通过三个步骤来执行更精确的视频动作定位：给定一段由第一和第二阶段产生的类别可知的动作提议，第一步将其左右边界扩充得到一个更大的搜索间隔片段，同时将这个时间间隔均匀等分成多个单元，每个单元包含同样数目的帧数；第二步对每一个单元计算内外概率或者边界概率，分别表示该单元位于真实标注之内或之外以及是该动作发生的开始边界或结束边界的概率；第三步基于每个单元计算出的概率，利用最大似然估计来估计出最优的动作时间轴边界，从而达到定位的效果。
-
公开(公告)号：CN108830212A
公开(公告)日：2018-11-16
申请号：CN201810597905.X
申请日：2018-06-12
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种视频行为时间轴检测方法，基于深度学习和时间结构建模，并结合粗粒度检测与细粒度检测做视频行为时间轴检测，在已有模型SSN的基础上，使用双流模型来提取视频的时空特征；对行为的时间结构进行建模，将单个行为分为三个阶段；接着提出一种新的能够有效提取视频行为的时间边界信息的特征金字塔；最后结合粗粒度检测与细粒度检测，使得检测结果更加精确；本发明的检测精度高，超过了当前已有的所有公开方法，具有广泛的适用性，可适用于智能监控系统或者人机监护系统中对人类感兴趣视频片段的检测，便于后续的分析与处理，具有重要的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN108830212B
公开(公告)日：2022-04-22
申请号：CN201810597905.X
申请日：2018-06-12
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种视频行为时间轴检测方法，基于深度学习和时间结构建模，并结合粗粒度检测与细粒度检测做视频行为时间轴检测，在已有模型SSN的基础上，使用双流模型来提取视频的时空特征；对行为的时间结构进行建模，将单个行为分为三个阶段；接着提出一种新的能够有效提取视频行为的时间边界信息的特征金字塔；最后结合粗粒度检测与细粒度检测，使得检测结果更加精确；本发明的检测精度高，超过了当前已有的所有公开方法，具有广泛的适用性，可适用于智能监控系统或者人机监护系统中对人类感兴趣视频片段的检测，便于后续的分析与处理，具有重要的应用价值。
-
公开(公告)号：CN111553238A
公开(公告)日：2020-08-18
申请号：CN202010325817.1
申请日：2020-04-23
Applicant: 北京大学深圳研究生院
Abstract: 一种用于动作的时间轴定位的回归分类模块，包括：回归器，用于根据最初的动作的特征计算出回归后的动作位置，其中，动作的特征是指由特征提取器学习到的视频特征；池化层，用于根据整段视频特征以及回归后的动作位置为输入，输出回归后的动作特征；以及分类器，用于使用回归后的动作特征预测出对应于回归后位置的动作类别，其中，回归器位于分类器前。本发明的回归分类模块首次将回归器放置于分类器前，从而消除了并行的分类器与回归器所带来的最终预测结果中动作类别与位置不相符的问题。本发明同时也设计了新的分类损失函数，使用经过回归器回归后的位置来计算分类损失函数中的分类目标标签。
-
公开(公告)号：CN109409257A
公开(公告)日：2019-03-01
申请号：CN201811181395.4
申请日：2018-10-11
Applicant: 北京大学深圳研究生院
Abstract: 本发明涉及数字图像处理技术领域，具体为一种基于弱监督学习的视频时序动作检测方法。该方法具体步骤是，步骤1：把视频输入分类器，分别得到不同的检测置信度；步骤2：融合视频在不同分类器的得分；步骤3：条件随机场精调结果；检测阶段的步骤是，步骤4：把待检测视频输入训练出的分类器，得到不同的检测置信度；步骤5：通过FC-CRF优化融合不同的检测置信度。本方法可将人类的先验知识和神经网络的输出结合起来，实验结果表明FC-CRF在ActivityNet上提高了20.8％mAP@0.5的检测性能。
-
公开(公告)号：CN108875610A
公开(公告)日：2018-11-23
申请号：CN201810569922.2
申请日：2018-06-05
Applicant: 北京大学深圳研究生院
Abstract: 一种基于边界查找的用于视频中动作时间轴定位的方法，采用时间轴边界似然的组件来改进第三阶段的定位问题。该组件通过三个步骤来执行更精确的视频动作定位：给定一段由第一和第二阶段产生的类别可知的动作提议，第一步将其左右边界扩充得到一个更大的搜索间隔片段，同时将这个时间间隔均匀等分成多个单元，每个单元包含同样数目的帧数；第二步对每一个单元计算内外概率或者边界概率，分别表示该单元位于真实标注之内或之外以及是该动作发生的开始边界或结束边界的概率；第三步基于每个单元计算出的概率，利用最大似然估计来估计出最优的动作时间轴边界，从而达到定位的效果。
-
公开(公告)号：CN107463892A
公开(公告)日：2017-12-12
申请号：CN201710624030.3
申请日：2017-07-27
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种基于深度学习并结合图像上下文信息和图像多级特征的行人检测方法，将目标检测深度模型Faster R-CNN应用到行人检测领域中，结合行人周围的上下文信息输入特征分类器；接着结合了Faster R-CNN中深度特征提取模型VGG16的多级特征，将高层粗糙的特征与低层精细的特征组合到一起，使得特征包含更加丰富的信息，能够更好地检测小尺寸行人；本发明的误检率低，具有广泛的适用性，可适用于智能监控系统或者无人驾驶中行人的检测，具有重要的应用价值。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
