公开(公告)号：CN111462000B

公开(公告)日：2023-11-28

申请号：CN202010188588.3

申请日：2020-03-17

Applicant: 北京邮电大学

Inventor： 于振明 ,  李宇昂 ,  陈宇迪 ,  何田田 ,  张佳颖 ,  赵睿宁 ,  徐坤

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明实施例提供了一种基于预训练自编码器的图像恢复方法及装置，方法包括：获取散斑图像；将散斑图像输入图像恢复网络模型，得到恢复图像；其中，图像恢复网络模型包括训练完成的第一编码器子网络和第一解码器子网络；第一解码器子网络的初始参数是根据预先训练完成的自编码器网络模型中的参数确定的，自编码器网络模型是根据第一训练集训练得到的；图像恢复网络模型是根据第二训练集训练得到的，第二训练集包括第二样本原始图像以及样本散斑图像。通过预训练自编码器网络模型，并采用训练完成的自编码器网络模型中的参数对图像恢复网络模型中的第一解码器子网络进行参数初始化，能够充分利用训练数据集信息，加快了训练时网络的收敛速度。

公开(公告)号：CN116030496A

公开(公告)日：2023-04-28

申请号：CN202310026052.5

申请日：2023-01-09

Applicant: 北京邮电大学

Inventor： 赵志诚 ,  赵睿宁

IPC: G06V40/10 ,  G06V20/40 ,  G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及基于多层感知机网络的跨层级加强特征的行人再识别方法，包括如下步骤：1、从含有行人的视频中通过抽帧得到行人图像I；2、从行人图像I中提取特征E1，经过多层感知机网络融合、重塑，得到行人特征F；3、将行人特征F输入嵌入层；4、将嵌入层输出的特征F0输入特征提取网络，得到特征F4，所述特征提取网络包括结构相同的多层子网络、以及加强模块，用于对一层子网络的输出进行加强后输出到跨层的子网络；5、对特征F4进行全尺度融合、归一化与降维处理；6、将处理后的特征输入三元组损失函数进行度量学习，输入交叉熵损失函数进行分类学习，得到训练好的分类器；7、将特征Feat输入到训练好的分类器中，输出行人再识别的分类结果。

公开(公告)号：CN111462000A

公开(公告)日：2020-07-28

申请号：CN202010188588.3

申请日：2020-03-17

Applicant: 北京邮电大学

Inventor： 于振明 ,  李宇昂 ,  陈宇迪 ,  何田田 ,  张佳颖 ,  赵睿宁 ,  徐坤

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明实施例提供了一种基于预训练自编码器的图像恢复方法及装置，方法包括：获取散斑图像；将散斑图像输入图像恢复网络模型，得到恢复图像；其中，图像恢复网络模型包括训练完成的第一编码器子网络和第一解码器子网络；第一解码器子网络的初始参数是根据预先训练完成的自编码器网络模型中的参数确定的，自编码器网络模型是根据第一训练集训练得到的；图像恢复网络模型是根据第二训练集训练得到的，第二训练集包括第二样本原始图像以及样本散斑图像。通过预训练自编码器网络模型，并采用训练完成的自编码器网络模型中的参数对图像恢复网络模型中的第一解码器子网络进行参数初始化，能够充分利用训练数据集信息，加快了训练时网络的收敛速度。