-
公开(公告)号：CN113408651A
公开(公告)日：2021-09-17
申请号：CN202110784487.7
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 基于局部判别性增强的无监督三维物体分类方法，涉及计算机视觉技术。包括以下步骤：A.准备用于三维物体分类的点云数据集；B.对原始点云样本进行数据增强，保留原始点云样本和增强后的点云样本；C.对比每个点云样本的原始版本和数据增强后的版本，提取每个点云样本的高维全局特征；D.使用点云样本的高维全局特征挖掘不同局部结构的相关性和判别性，进而增强点云样本局部特征的判别性；E.融合点云样本增强后的局部特征和高维全局特征得到判别性增强的融合特征；F.训练线性支持向量机，使用点云样本的融合特征进行无监督分类。可以有效学习点云物体具有判别性的表示特征，从而提升无监督三维物体分类的性能。
-
公开(公告)号：CN113408650A
公开(公告)日：2021-09-17
申请号：CN202110784485.8
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 基于一致性训练的半监督三维形状识别方法，涉及计算机视觉技术。包括步骤：A.准备三维形状数据集，包括有标签数据集和无标签数据集。B.对无标签数据添加微小扰动得到扰动版本的无标签数据集。C.设计一致性约束分支鼓励模型对相似样本预测一致,提高模型的泛化能力。D.设计伪标签生成分支为无标签数据生成伪标签，并提出一致性过滤机制过滤掉模型不确定的伪标签，实现对有标签数据集的扩充。E.结合有标签数据和无标签数据训练模型，得到训练好的模型。F.使用训练好的模型进行三维形状识别，将模型的预测作为最终的识别结果。在公开数据集上取得较好的结果，更好利用无标签数据的信息，有效减少数据标注需要的成本。
-
公开(公告)号：CN113408650B
公开(公告)日：2023-07-18
申请号：CN202110784485.8
申请日：2021-07-12
Applicant: 厦门大学
IPC: G06V10/422 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0895
Abstract: 基于一致性训练的半监督三维形状识别方法，涉及计算机视觉技术。包括步骤：A.准备三维形状数据集，包括有标签数据集和无标签数据集。B.对无标签数据添加微小扰动得到扰动版本的无标签数据集。C.设计一致性约束分支鼓励模型对相似样本预测一致,提高模型的泛化能力。D.设计伪标签生成分支为无标签数据生成伪标签，并提出一致性过滤机制过滤掉模型不确定的伪标签，实现对有标签数据集的扩充。E.结合有标签数据和无标签数据训练模型，得到训练好的模型。F.使用训练好的模型进行三维形状识别，将模型的预测作为最终的识别结果。在公开数据集上取得较好的结果，更好利用无标签数据的信息，有效减少数据标注需要的成本。
-
公开(公告)号：CN113486963B
公开(公告)日：2023-07-07
申请号：CN202110785552.8
申请日：2021-07-12
Applicant: 厦门大学
IPC: G06V10/46 , G06V10/82 , G06V10/774 , G06N3/08
Abstract: 一种密度自适应的点云端到端采样方法，涉及计算机视觉技术。包括步骤：A.准备用于分类任务的点云数据集。B.预训练分类网络PointNet，得到PointNet预训练模型。C.将原始点云数据输入点云简化网络,实现点云的初步采样。D.针对每个初步采样点，实施密度自适应的K近邻算法DAKNN，利用K值划分不同大小的邻域。E.采用自注意力机制，利用邻域信息对初步采样点进行加权更新。F.将更新后的采样点输入预训练的PointNet模型，优化损失函数，得到最终采样点。以端到端学习的方式实现任务相关的点云采样，能够缓解点云密度变化及噪声对采样过程的干扰，从而提升点云采样结果的有效性。
-
公开(公告)号：CN113553232A
公开(公告)日：2021-10-26
申请号：CN202110783748.3
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 本发明公开了一种通过在线矩阵画像对运维数据进行无监督异常检测方法，其首先采用窗口大小为m的滑动窗口将时间序列X分为多个子序列Xi，m；然后基于多个子序列Xi，m构建在线矩阵画像P＝{p1，…，pt，…，pn‑m+1}；最后通过在线矩阵画像算法计算出最近邻子序列，并利用最近邻子序列计算出xt的距离显著性rt，若距离显著性rt大于预定义阈值τ，则被认为是异常，否则被认为是正常。本发明能够进行无监督单变量时间序列异常检测任务，不需要进行任何模型地训练且能高效准确地找出异常。
-
Patent Agency Ranking
公开(公告)号：CN112507149A
公开(公告)日：2021-03-16
申请号：CN202011271641.2
申请日：2020-11-13
Applicant: 厦门大学
IPC: G06F16/51 , G06F16/583
Abstract: 本发明涉及一种动态k近邻图的构建方法及基于动态k近邻图的快速图像检索方法，其实现了对近似k近邻图的在线更新，并基于该动态k近邻图实现了快速的图像检索，由于未假定向量间的距离度量，该方法具有良好的泛化性，并且在保证k近邻图的质量的同时在大部分数据集上展现了超过最近邻下降方法的建图效率，在数个图像特征数据集上的检索效率也要好于HNSW等被广泛认可的方法。
-
公开(公告)号：CN105469078B
公开(公告)日：2018-11-09
申请号：CN201511024861.4
申请日：2015-12-30
Applicant: 厦门大学
IPC: G06K9/00
Abstract: 一种用于车型识别的特征选取方法，涉及计算机数字图像处理方法。是一种对车脸图像进行特征选取的方法，在此基础上进行的目标特征识别，可靠性较高。由初始步骤、区域划分、模板选取、灰度图像特征获取、边缘图像特征获取、结束步骤组成。对原始图像划分小区域，提出十一个模板，将模板与小区域做点的比对运算，获取特征数据。用来识别不同车型以及车的品牌，并且特征选取的背景为车脸图像，较之车牌与车灯为背景的特征选取方法更为精确。
-
公开(公告)号：CN105469078A
公开(公告)日：2016-04-06
申请号：CN201511024861.4
申请日：2015-12-30
Applicant: 厦门大学
IPC: G06K9/00
CPC classification number: G06K9/00825 , G06K9/4604 , G06K9/6202 , G06K2209/23 , G06T2207/30236 , G06T2207/30252 , G08G1/017
Abstract: 一种用于车型识别的特征选取方法，涉及计算机数字图像处理方法。是一种对车脸图像进行特征选取的方法，在此基础上进行的目标特征识别，可靠性较高。由初始步骤、区域划分、模板选取、灰度图像特征获取、边缘图像特征获取、结束步骤组成。对原始图像划分小区域，提出十一个模板，将模板与小区域做点的比对运算，获取特征数据。用来识别不同车型以及车的品牌，并且特征选取的背景为车脸图像，较之车牌与车灯为背景的特征选取方法更为精确。
-
公开(公告)号：CN105374018A
公开(公告)日：2016-03-02
申请号：CN201510958177.7
申请日：2015-12-18
Applicant: 厦门大学
CPC classification number: G06T5/40 , G06T2207/20192
Abstract: 一种对图像进行区域增强的方法，涉及计算机数字图像处理方法。在对一幅图像的处理上设置六个阶段，分别是：初始化步骤、图像区域化分割、图像区域选择、图像区域增强、区域间边界均衡化和结束步骤。当输入一幅原始图像时，首先对图像进行初始化，然后基于meanshift理论对图像进行区域化分割，得到区域化图像后，采用用户选择和自动选择两种方式选择待增强区域，对待增强区域进行图像增强处理，最后以增强区域边界为基准做区域间边界平滑过渡处理，得到一幅整体视觉效果和谐、针对性强、有效的增强图像。
-
公开(公告)号：CN113408651B
公开(公告)日：2024-01-23
申请号：CN202110784487.7
申请日：2021-07-12
Applicant: 厦门大学
IPC: G06V10/764 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 基于局部判别性增强的无监督三维物体分类方法，涉及计算机视觉技术。包括以下步骤：A.准备用于三维物体分类的点云数据集；B.对原始点云样本进行数据增强，保留原始点云样本和增强后的点云样本；C.对比每个点云样本的原始版本和数据增强后的版本，提取每个点云样本的高维全局特征；D.使用点云样本的高维全局特征挖掘不同局部结构的相关性和判别性，进而增强点云样本局部特征的判别性；E.融合点云样本增强后的局部特征和高维全局特征得到判别性增强的融合特征；F.训练线性支持向量机，使用点云样本的融合特征进行无监督分类。可以有效学习点云物体具有判别性的表示特征，从而提升无监督三维物体分类的性能。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.016 seconds)
