-
公开(公告)号：CN109344693B
公开(公告)日：2021-10-26
申请号：CN201810912957.1
申请日：2018-08-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的人脸多区域融合表情识别方法，包括下述步骤：用检测模型检测出人脸位置；用关键点模型得到人脸关键点坐标；先根据眼睛部分关键点做眼睛对齐；然后根据整体人脸关键点坐标做人脸对齐，并通过仿射变换裁剪人脸区域；按照一定的比例裁剪图像的眼睛和嘴巴区域。卷积神经网络分为一个主干网络和两个支干网络，在最后一层卷积层进行特征融合，最后通过分类器得到表情分类结果。本发明利用先验信息，除整个人脸之外还将眼睛和嘴巴区域作为网络的输入，通过模型融合使网络既能学习到人脸表情的整体语义特征也能学习到局部区域特征，简化了人脸表情识别的难度，减少外部噪声，有鲁棒性强，准确率高，算法复杂度低等优点。
-
公开(公告)号：CN108681692B
公开(公告)日：2022-03-25
申请号：CN201810314895.4
申请日：2018-04-10
Applicant: 华南理工大学
IPC: G06V20/10 , G06V10/34 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/26 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：获取样本图像：两时间段遥感图像和新增建筑背景图像；将具有原始尺寸的样本图像分别进行裁剪切割，得到小尺寸图像；对所有小尺寸图像进行数据增强处理；再将增强后的小尺寸两时间段遥感图像进行中心化及全局对比归一化，完成后再一一对应相减，得到遥感差异图；将遥感差异图和小尺寸新增建筑背景图像输入修改后的两种深度神经网络进行网络参数训练；再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，再对输出的初步结果进行修饰处理，得到最终的新增建筑识别图像。本发明方法具有遥感图像内新增建筑识别准确率高以及适用性广的优点。
-
公开(公告)号：CN108681692A
公开(公告)日：2018-10-19
申请号：CN201810314895.4
申请日：2018-04-10
Applicant: 华南理工大学
CPC classification number: G06K9/00637 , G06K9/40 , G06K9/4604 , G06K9/6256 , G06N3/0454
Abstract: 本发明公开了一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：获取样本图像：两时间段遥感图像和新增建筑背景图像；将具有原始尺寸的样本图像分别进行裁剪切割，得到小尺寸图像；对所有小尺寸图像进行数据增强处理；再将增强后的小尺寸两时间段遥感图像进行中心化及全局对比归一化，完成后再一一对应相减，得到遥感差异图；将遥感差异图和小尺寸新增建筑背景图像输入修改后的两种深度神经网络进行网络参数训练；再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，再对输出的初步结果进行修饰处理，得到最终的新增建筑识别图像。本发明方法具有遥感图像内新增建筑识别准确率高以及适用性广的优点。
-
公开(公告)号：CN109344693A
公开(公告)日：2019-02-15
申请号：CN201810912957.1
申请日：2018-08-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的人脸多区域融合表情识别方法，包括下述步骤：用检测模型检测出人脸位置；用关键点模型得到人脸关键点坐标；先根据眼睛部分关键点做眼睛对齐；然后根据整体人脸关键点坐标做人脸对齐，并通过仿射变换裁剪人脸区域；按照一定的比例裁剪图像的眼睛和嘴巴区域。卷积神经网络分为一个主干网络和两个支干网络，在最后一层卷积层进行特征融合，最后通过分类器得到表情分类结果。本发明利用先验信息，除整个人脸之外还将眼睛和嘴巴区域作为网络的输入，通过模型融合使网络既能学习到人脸表情的整体语义特征也能学习到局部区域特征，简化了人脸表情识别的难度，减少外部噪声，有鲁棒性强，准确率高，算法复杂度低等优点。
-
-
-
Search Results
4
records
(took 0.017 seconds)
