-
公开(公告)号：CN105631296B
公开(公告)日：2018-07-31
申请号：CN201511028166.5
申请日：2015-12-30
Applicant: 北京工业大学
Abstract: 种基于CNN特征提取器的安全人脸认证系统设计方法属于生物特征识别领域,具体涉及种利用CNN提取人脸特征并用Paillier算法和不经意传输协议进行加密的方法。和SCiFi系统相比,本发明将手工提取的特征更换为CNN自动学习的特征,并进行二值化以去除噪声影响,认证准确率较高。在LFW库view2上的测试认证率为91.48%。在整个认证的过程中,服务器不会得知请求者的任何特征信息,只能接收到特征的密文信息而不能进行解密。而客户端只得知是否认证通过,对包括汉明距离在内的其他信息无所知。本系统采用320bit的特征表示幅人脸图片,特征数据量较SCiFi系统降低了2/3,因此加密和认证的耗时低,实时性高。
-
公开(公告)号：CN106951836B
公开(公告)日：2019-12-13
申请号：CN201710125666.3
申请日：2017-03-05
Applicant: 北京工业大学
Abstract: 本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB‑HSI‑CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。具体步骤：1、基于RGB、HSI阈值限定的图像预处理；2、训练样本集、验证样本集及测试样本集的制作；3、基于卷积神经网络的作物图像分割算法；4、分割评价。
-
公开(公告)号：CN108681712A
公开(公告)日：2018-10-19
申请号：CN201810475535.2
申请日：2018-05-17
Applicant: 北京工业大学
CPC classification number: G06K9/00724 , G06K9/00744 , G06K9/6267 , G06K9/629 , G06K2009/00738
Abstract: 一种基于融合领域知识和深度多阶特征的篮球比赛语义事件识别方法，实现对篮球比赛中语义事件的自动识别。随着计算机视觉理论与深度神经网络的不断发展，基于内容的视频语义事件分析技术不断完善。该方案首先基于篮球领域先验知识对篮球语义事件划分为事件准备阶段，事件发生阶段和事件后续阶段。然后提取视频序列的全局和群体运动模式，随后通过分层网络对多阶段网络提取的特征进行融合，最后通过长短期记忆网络实现时域信息整合，实现篮球语义事件的识别。此发明对大规模篮球视频数据的智能化存储与检索以及篮球视频专业自动化战术分析奠定了基础。
-
公开(公告)号：CN106127725A
公开(公告)日：2016-11-16
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
CPC classification number: G06N3/08 , G06T2207/10044
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
公开(公告)号：CN106127725B
公开(公告)日：2019-01-22
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
Patent Agency Ranking
公开(公告)号：CN107016677A
公开(公告)日：2017-08-04
申请号：CN201710182281.0
申请日：2017-03-24
Applicant: 北京工业大学
Abstract: 一种基于FCN和CNN的云图分割方法属于计算机视觉的图像分割领域。其特征在于：首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”。本发明发现而精度与MR‑CNN、SP‑CNN相当，但是速度相比于MR‑CNN提高了880倍，相比于SP‑CNN提高了1.657倍。
-
公开(公告)号：CN106951836A
公开(公告)日：2017-07-14
申请号：CN201710125666.3
申请日：2017-03-05
Applicant: 北京工业大学
Abstract: 本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB‑HSI‑CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。具体步骤：1、基于RGB、HSI阈值限定的图像预处理；2、训练样本集、验证样本集及测试样本集的制作；3、基于卷积神经网络的作物图像分割算法；4、分割评价。
-
公开(公告)号：CN105631296A
公开(公告)日：2016-06-01
申请号：CN201511028166.5
申请日：2015-12-30
Applicant: 北京工业大学
CPC classification number: G06F21/32 , G06K9/6267 , H04L9/3231
Abstract: 一种基于CNN特征提取器的安全人脸认证系统设计方法属于生物特征识别领域，具体涉及一种利用CNN提取人脸特征并用Paillier算法和不经意传输协议进行加密的方法。和SCiFi系统相比，本发明将手工提取的特征更换为CNN自动学习的特征，并进行二值化以去除噪声影响，认证准确率较高。在LFW库view2上的测试认证率为91.48％。在整个认证的过程中，服务器不会得知请求者的任何特征信息，只能接收到特征的密文信息而不能进行解密。而客户端只得知是否认证通过，对包括汉明距离在内的其他信息一无所知。本系统采用320bit的特征表示一幅人脸图片，特征数据量较SCiFi系统降低了2/3，因此加密和认证的耗时低，实时性高。
-
公开(公告)号：CN108681712B
公开(公告)日：2022-01-28
申请号：CN201810475535.2
申请日：2018-05-17
Applicant: 北京工业大学
Abstract: 一种基于融合领域知识和深度多阶特征的篮球比赛语义事件识别方法，实现对篮球比赛中语义事件的自动识别。随着计算机视觉理论与深度神经网络的不断发展，基于内容的视频语义事件分析技术不断完善。该方案首先基于篮球领域先验知识对篮球语义事件划分为事件准备阶段，事件发生阶段和事件后续阶段。然后提取视频序列的全局和群体运动模式，随后通过分层网络对多阶段网络提取的特征进行融合，最后通过长短期记忆网络实现时域信息整合，实现篮球语义事件的识别。此发明对大规模篮球视频数据的智能化存储与检索以及篮球视频专业自动化战术分析奠定了基础。
-
公开(公告)号：CN107016677B
公开(公告)日：2020-01-17
申请号：CN201710182281.0
申请日：2017-03-24
Applicant: 北京工业大学
Abstract: 一种基于FCN和CNN的云图分割方法属于计算机视觉的图像分割领域。其特征在于：首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”。本发明发现而精度与MR‑CNN、SP‑CNN相当，但是速度相比于MR‑CNN提高了880倍，相比于SP‑CNN提高了1.657倍。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
