-
公开(公告)号：CN113435315A
公开(公告)日：2021-09-24
申请号：CN202110710692.9
申请日：2021-06-25
Applicant: 哈尔滨理工大学
Abstract: 本申请涉及一种基于双路神经网络特征聚合的表情识别方法，目的是解决人脸表情识别率低的问题。本方法主要包括：人脸检测；图像直方图均衡化处理；CS‑LBP局部纹理特征提取；利用双路神经网络分别进行特征提取；特征降维；采用加权融合的方法融合特征；送入softmax层进行分类，输出人脸表情。本方法采用双路神经网络架构，CNN1采用改进的残差网络，通过快捷连接来组合每个残差单元的输出特征图，网络结构从全局残差变为全局局部残差，同时避免了模型训练中的过拟合，避免了梯度反向传播中梯度消失的现象。CNN2充分利用图像局部纹理特征，在卷积神经网络中嵌入注意力机制，自动聚焦网络感兴趣的特征区域。在训练过程中采用隔离损失函数，减小同一类的特征的差异，增大不同类之间特征的空间分布，增强神经网络所提取特征的判别性。
-
公开(公告)号：CN109522956B
公开(公告)日：2022-09-30
申请号：CN201811366758.1
申请日：2018-11-16
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774
Abstract: 一种低秩判别特征子空间学习方法属于图像分类领域；解决了忽略对隐藏在样本中的低维子空间结构信息的技术问题；包括定义判别特征学习式的目标函数；采用类标签作为一种监督信息，目标函数重新拟定；将目标函数中的特征子空间施加正交约束；将一个图像数据集分成测试集和训练集；通过训练集，求解出目标函数值最小化时各个变量的值；目标函数求解后得到一个特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率；本发明用低秩表示系数作为约束来构造用于特征学习的判别项，其能够将子空间结构相似性约束引入到适用于图像识别和分类任务的判别特征学习模型中，促进模型自适应性和鲁棒性。
-
公开(公告)号：CN103473934A
公开(公告)日：2013-12-25
申请号：CN201310458440.7
申请日：2013-10-02
Applicant: 哈尔滨理工大学
Abstract: 基于视觉的海关物流车辆检测装置及检测方法。随着中国入世和世界经济一体化进程的加快，现代物流产业的发展已经成为全球产业结构调整的一大趋势，现代物流发展的水平越来越成为体现一个国家和地中心综合竞争力的重要标志。目前的海关物流车辆在检测的过程中影响通关效率、容易增加企业负担、增加海关工作量，查验的准确性不高。本发明的组成包括：前端采集系统（1），所述的前端采集系统与智能卡口系统（2）连接，所述的智能卡口系统分别与WEB客户端计算机（3）、海关物流监控平台（4）连接。本发明用于现代物流行业。
-
公开(公告)号：CN113642383A
公开(公告)日：2021-11-12
申请号：CN202110697155.5
申请日：2021-06-23
Applicant: 哈尔滨理工大学
Abstract: 本申请涉及一种基于联合损失多特征融合的人脸表情识别方法，包括：人脸检测，获取人脸图像；将人脸图像通过改进的ResNet网络和VGG网络分别提取特征；提取的特征通过全连接层进行降维；采用加权融合的方法融合特征；送入Softmax层进行分类，输出人脸表情类别。本方法采用两种神经网络架构进行特征提取，充分融合提取到的特征。在训练过程中使用了余弦损失与交叉熵损失加权联合的损失函数，联合后的损失函数可以实现对相同类别之间紧密结合以及不同类别之间较大分离的功能。
-
公开(公告)号：CN111310807A
公开(公告)日：2020-06-19
申请号：CN202010077309.6
申请日：2020-01-27
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。
-
Patent Agency Ranking
公开(公告)号：CN111027582B
公开(公告)日：2023-06-27
申请号：CN201910891913.X
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0895
Abstract: 本发明的实施方式提供了一种基于低秩图学习的半监督特征子空间学习方法及装置。该方法包括：将图像数据集分成测试集和训练集，训练集中包括有标签及无标签的样本；定义关于特征子空间学习模型的目标函数；用标签传播的方式，构建有关标签的不同约束项，进而预测出无标签样本的标签信息，重新拟定目标函数；将重新拟定的目标函数中的特征子空间施加正交约束；利用训练集，求解出目标函数值最小化时各个变量的值，以通过目标函数求解后得到一个特征子空间；以及通过所述特征子空间投影测试集，得到所述数据集里所有类别图像的所有特征，通过预定分类器获得所述数据集的识别率。本发明的上述技术克服了现有技术的不足。
-
公开(公告)号：CN111310807B
公开(公告)日：2022-08-19
申请号：CN202010077309.6
申请日：2020-01-27
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/77 , G06K9/62
Abstract: 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。
-
公开(公告)号：CN110619367B
公开(公告)日：2022-05-13
申请号：CN201910891895.5
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06V10/77 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明的实施方式提供了一种联合低秩约束跨视角判别子空间学习方法及装置。上述方法包括：定义双低秩判别子空间学习式的目标函数；采用有监督的正则化项作为强约束条件，目标函数重新拟定；增加联合异构正则化项将目标函数重新拟定；将图像数据集分成测试集和训练集；利用训练集求解出目标函数值最小化时各个变量的值；目标函数求解后得到特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率。本发明联合异构正则化项作为约束来构造用于特征学习的判别项，其能够将样本的同构和异构信息投影到子空间来用于图像识别和分类任务的判别学习模型中，促进模型自适应性和鲁棒性。
-
公开(公告)号：CN111461256A
公开(公告)日：2020-07-28
申请号：CN202010334192.5
申请日：2020-04-24
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 一种基于低秩表示的判别特征子空间学习方法，通过使用低秩约束来构造用于特征学习的判别性表示项，将非负低秩表示系数作为衡量子空间结构相似性的约束引入到用于分类的学习模型中，促进模型自适应性和鲁棒性；此外，通过将特征子空间学习模型和低秩表示模型放入统一的框架中，可以在迭代期间彼此促进以获得整体最优；还包含基于类别标签信息的线性回归项以增强投影的特征，并且使相同类别的样本靠近同一聚类中心，不同类别的聚类中心相互远离，采用迭代数值方案来解决目标函数并保证收敛；同时，引入岭回归约束项，解决实际应用中无法预先知道噪声类型的问题；本发明与其他方法相比，识别率更高，性能更加稳健。
-
公开(公告)号：CN110619367A
公开(公告)日：2019-12-27
申请号：CN201910891895.5
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明的实施方式提供了一种联合低秩约束跨视角判别子空间学习方法及装置。上述方法包括：定义双低秩判别子空间学习式的目标函数；采用有监督的正则化项作为强约束条件，目标函数重新拟定；增加联合异构正则化项将目标函数重新拟定；将图像数据集分成测试集和训练集；利用训练集求解出目标函数值最小化时各个变量的值；目标函数求解后得到特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率。本发明联合异构正则化项作为约束来构造用于特征学习的判别项，其能够将样本的同构和异构信息投影到子空间来用于图像识别和分类任务的判别学习模型中，促进模型自适应性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.019 seconds)
