-
公开(公告)号：CN110020682A
公开(公告)日：2019-07-16
申请号：CN201910251691.5
申请日：2019-03-29
Applicant: 北京工商大学 , 煤科集团沈阳研究院有限公司
Abstract: 本发明公布了一种注意力机制关系对比网络模型方法，构建在少量有标签样本数据下进行小样本学习的注意力关系对比网络模型。基于关系网络架构，将模型分为特征编码、特征组合和关系编码部分，特征编码模块的作用是进行图像特征信息提取，特征组合部分是将提取的查询图像特征信息分别与每组的训练图像特征信息进行重新组合，形成新的组合特征图。关系编码模块进行网络的非线性度量学习，通过在端到端的深度卷积神经网络模型中引入注意力机制和谱归一化的方法，实现模型在小样本学习情况下具有更高的分类准确率，并且提升模型最终训练结果的稳定性，提高现有模型在小样本学习中的图像分类准确率。
-
公开(公告)号：CN111652216B
公开(公告)日：2023-04-07
申请号：CN202010493808.3
申请日：2020-06-03
Applicant: 北京工商大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公布了一种基于度量学习的多尺度目标检测模型方法，利用迁移学习的思想使用预训练的模型对网络进行初始化，同时增加损失函数对网络的权值参数进行微调，提高图像中感兴趣区域的回归精度；在图像中感兴趣区域提取特征图后增加全连接层将特征信息矢量化，之后利用全连接层提取的特征信息进行距离度量，实现目标区域信息的分类识别。采用本发明的技术方案，能够减少特征信息的损失，提升检测目标的分类识别准确率。
-
公开(公告)号：CN109241317B
公开(公告)日：2022-01-11
申请号：CN201811065988.4
申请日：2018-09-13
Applicant: 北京工商大学 , 北京博源智信科技有限责任公司
Abstract: 本发明公布了一种基于深度学习网络中度量损失的行人哈希检索方法，通过构建卷积特征网络行人哈希学习模型CFNPHL，实现行人图像的哈希码学习；再通过计算行人图像哈希码间的距离，实现大规模行人图像数据的检索。包括：建立卷积神经网络模型，提取行人特征信息；映射二值哈希码；加入量化损失得到度量损失；设定分类损失函数学习不同行人区别特征，得到行人类别；网络损失值最小化；训练网络CFNPHL，得到图像检索的行人哈希码库；再将待检索的行人图像，输入到训练好的网络中，得到待检索行人的哈希码；通过计算距离进行行人检索。本发明针对复杂场景下进行行人检索，有效提高检索速度，精确率较高。
-
Patent Agency Ranking
公开(公告)号：CN108510000A
公开(公告)日：2018-09-07
申请号：CN201810295592.2
申请日：2018-03-30
Applicant: 北京工商大学
Abstract: 本发明公布了一种复杂场景下行人细粒度属性的识别方法，采用分类模型对检测出的行人的子部件进行细粒度属性识别；将识别出的属性分别与行人性别进行关联分析，选取相关性强的属性进行多任务学习；再训练多任务学习构建的卷积神经网络模型，并针对多个属性选出识别正确率最高的卷积神经网络模型结果，作为最终结果；最后根据自定义的决策函数来判断行人的性别属性。本发明可实现对复杂场景中行人由整体到局部的检测，实现对行人子部件属性更精准的检测与识别，能够避免背景等信息的干扰，同时也解决了模型对小目标检测正确率低的问题，具有较高的识别精度。
-
公开(公告)号：CN110020682B
公开(公告)日：2021-02-26
申请号：CN201910251691.5
申请日：2019-03-29
Applicant: 北京工商大学 , 煤科集团沈阳研究院有限公司
Abstract: 本发明公布了一种注意力机制关系对比网络模型方法，构建在少量有标签样本数据下进行小样本学习的注意力关系对比网络模型。基于关系网络架构，将模型分为特征编码、特征组合和关系编码部分，特征编码模块的作用是进行图像特征信息提取，特征组合部分是将提取的查询图像特征信息分别与每组的训练图像特征信息进行重新组合，形成新的组合特征图。关系编码模块进行网络的非线性度量学习，通过在端到端的深度卷积神经网络模型中引入注意力机制和谱归一化的方法，实现模型在小样本学习情况下具有更高的分类准确率，并且提升模型最终训练结果的稳定性，提高现有模型在小样本学习中的图像分类准确率。
-
公开(公告)号：CN109241317A
公开(公告)日：2019-01-18
申请号：CN201811065988.4
申请日：2018-09-13
Applicant: 北京工商大学 , 北京博源智信科技有限责任公司
Abstract: 本发明公布了一种基于深度学习网络中度量损失的行人哈希检索方法，通过构建卷积特征网络行人哈希学习模型CFNPHL，实现行人图像的哈希码学习；再通过计算行人图像哈希码间的距离，实现大规模行人图像数据的检索。包括：建立卷积神经网络模型，提取行人特征信息；映射二值哈希码；加入量化损失得到度量损失；设定分类损失函数学习不同行人区别特征，得到行人类别；网络损失值最小化；训练网络CFNPHL，得到图像检索的行人哈希码库；再将待检索的行人图像，输入到训练好的网络中，得到待检索行人的哈希码；通过计算距离进行行人检索。本发明针对复杂场景下进行行人检索，有效提高检索速度，精确率较高。
-
公开(公告)号：CN108510000B
公开(公告)日：2021-06-15
申请号：CN201810295592.2
申请日：2018-03-30
Applicant: 北京工商大学
Abstract: 本发明公布了一种复杂场景下行人细粒度属性的识别方法，采用分类模型对检测出的行人的子部件进行细粒度属性识别；将识别出的属性分别与行人性别进行关联分析，选取相关性强的属性进行多任务学习；再训练多任务学习构建的卷积神经网络模型，并针对多个属性选出识别正确率最高的卷积神经网络模型结果，作为最终结果；最后根据自定义的决策函数来判断行人的性别属性。本发明可实现对复杂场景中行人由整体到局部的检测，实现对行人子部件属性更精准的检测与识别，能够避免背景等信息的干扰，同时也解决了模型对小目标检测正确率低的问题，具有较高的识别精度。
-
公开(公告)号：CN111652216A
公开(公告)日：2020-09-11
申请号：CN202010493808.3
申请日：2020-06-03
Applicant: 北京工商大学
Abstract: 本发明公布了一种基于度量学习的多尺度目标检测模型方法，利用迁移学习的思想使用预训练的模型对网络进行初始化，同时增加损失函数对网络的权值参数进行微调，提高图像中感兴趣区域的回归精度；在图像中感兴趣区域提取特征图后增加全连接层将特征信息矢量化，之后利用全连接层提取的特征信息进行距离度量，实现目标区域信息的分类识别。采用本发明的技术方案，能够减少特征信息的损失，提升检测目标的分类识别准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
