-
公开(公告)号：CN105184303B
公开(公告)日：2019-08-09
申请号：CN201510198325.X
申请日：2015-04-23
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多模态深度学习的图像标注方法，该方法包括以下步骤：首先，利用无标签图像训练深度神经网络；其次，采用反向传播优化各个单模态；最后，采用在线学习的幂梯度算法优化不同模态间的权重。本发明在应用卷积神经网络技术优化深层神经网络的参数，提高标注精度。公共数据集的实验表明，本发明可以有效地提高图像标注的性能。
-
公开(公告)号：CN107169989B
公开(公告)日：2020-04-24
申请号：CN201710249226.9
申请日：2017-04-17
Applicant: 南京邮电大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于数据关联与轨迹评估的多目标跟踪方法，首先，利用随机采样一致性算法对每一个d∈D的观测进行直线拟合，得到目标的初始轨迹集T，同时利用时空关系对每一个d∈D的观测建立条件随机场模型，并给出标号方式；其次，建立拟合模型、先验模型、互斥模型，在CRF模型的基础上，利用拟合模型、先验模型、互斥模型构建目标函数，并利用梯度下降法与α‑expansion算法求解目标函数的近似最小能量；最后，基于最小能量对初始轨迹集T进行分割与合并、添加与删除、增长与收缩，得到目标的最佳跟踪轨迹。本发明基于数据关联与轨迹评估的多目标跟踪算法能够在场景拥挤、目标身份切换频繁、目标长时间遮挡的情况下得到稳定、连续的跟踪轨迹。
-
公开(公告)号：CN106971158B
公开(公告)日：2019-07-16
申请号：CN201710176356.4
申请日：2017-03-23
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于CoLBP共生特征与GSS特征的行人检测方法，包括步骤：提取视频序列中每一帧图像的HOG特征及LBP特征，根据HOG特征计算出图像局部梯度块之间的成对梯度自相似性的GSS特征，同时根据LBP特征得到CoLBP共生特征；采用特征生成器FGM移除不对称的GSS特征，得到判别梯度自相似性DGSS特征；基于HOG特征与CoLBP共生特征训练的线性SVM分类器移除图像中的负样本；对于剩余负样本与正样本，利用基于HOG特征与DGSS特征训练的Real‑AdaBoost分类器再次检测每一帧图像中的行人，获得检测结果。本发明在LBP与HOG特征的基础上进一步得到更高层次的CoLBP共生特征与GSS特征，增加了行人特征提取的可靠性，最后的检测结果也表明，本发明具有较好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN107169989A
公开(公告)日：2017-09-15
申请号：CN201710249226.9
申请日：2017-04-17
Applicant: 南京邮电大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于数据关联与轨迹评估的多目标跟踪方法，首先，利用随机采样一致性算法对每一个d∈D的观测进行直线拟合，得到目标的初始轨迹集T，同时利用时空关系对每一个d∈D的观测建立条件随机场模型，并给出标号方式；其次，建立拟合模型、先验模型、互斥模型，在CRF模型的基础上，利用拟合模型、先验模型、互斥模型构建目标函数，并利用梯度下降法与α‑expansion算法求解目标函数的近似最小能量；最后，基于最小能量对初始轨迹集T进行分割与合并、添加与删除、增长与收缩，得到目标的最佳跟踪轨迹。本发明基于数据关联与轨迹评估的多目标跟踪算法能够在场景拥挤、目标身份切换频繁、目标长时间遮挡的情况下得到稳定、连续的跟踪轨迹。
-
公开(公告)号：CN106971158A
公开(公告)日：2017-07-21
申请号：CN201710176356.4
申请日：2017-03-23
Applicant: 南京邮电大学
CPC classification number: G06K9/00778 , G06K9/46 , G06K9/6269
Abstract: 本发明公开了一种基于CoLBP共生特征与GSS特征的行人检测方法，包括步骤：提取视频序列中每一帧图像的HOG特征及LBP特征，根据HOG特征计算出图像局部梯度块之间的成对梯度自相似性的GSS特征，同时根据LBP特征得到CoLBP共生特征；采用特征生成器FGM移除不对称的GSS特征，得到判别梯度自相似性DGSS特征；基于HOG特征与CoLBP共生特征训练的线性SVM分类器移除图像中的负样本；对于剩余负样本与正样本，利用基于HOG特征与DGSS特征训练的Real‑AdaBoost分类器再次检测每一帧图像中的行人，获得检测结果。本发明在LBP与HOG特征的基础上进一步得到更高层次的CoLBP共生特征与GSS特征，增加了行人特征提取的可靠性，最后的检测结果也表明，本发明具有较好的检测效果。
-
公开(公告)号：CN105184303A
公开(公告)日：2015-12-23
申请号：CN201510198325.X
申请日：2015-04-23
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多模态深度学习的图像标注方法，该方法包括以下步骤：首先，利用无标签图像训练深度神经网络；其次，采用反向传播优化各个单模态；最后，采用在线学习的幂梯度算法优化不同模态间的权重。本发明在应用卷积神经网络技术优化深层神经网络的参数，提高标注精度。公共数据集的实验表明，本发明可以有效地提高图像标注的性能。
-
公开(公告)号：CN105427292A
公开(公告)日：2016-03-23
申请号：CN201510766560.2
申请日：2015-11-11
Applicant: 南京邮电大学
CPC classification number: G06K9/4671 , G06K9/4647 , G06T2207/10004
Abstract: 本发明公开了一种基于视频的显著目标检测方法，该方法包括以下步骤：对图片进行超像素分割，并利用光流信息和颜色信息，得到初步的显著目标检测区域；利用梯度信息，获取图片背景信息；融合初步目标检测区域和背景剪除，得到最终的显著目标区域。本发明在像素级别结合了统计运动信息即光流信息以及静态信息即颜色和梯度信息来检测像素之间的相似性，结果融合了前景线索以及背景线索，最终达到视频中检测显著目标的目的。
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
