-
Patent Agency Ranking
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：CN113052778A
公开(公告)日：2021-06-29
申请号：CN202110413210.3
申请日：2021-04-16
Applicant: 哈尔滨理工大学
Abstract: 基于HSV色彩空间分离的图像去雾方法。本发明方法包括：首先将图片从RGB色彩空间转换到HSV色彩空间，然后将色调H与饱和度S以及亮度V分离，设计去雾网络，包括特征提取模块、特征融合模块、残差学习模块，在特征提取模块中，使用3种不同大小的卷积核来进行特征提取，残差模块中包含九个相同的残差块，将训练集输入网络、进行特征提取，由大小为1x1和3x3的卷积核获取到的特征被并行合并来得到融合特征F1，由大小为3x3和5x5的卷积核获取到的特征被并行合并来得到融合特征F2，然后对融合特征F1和F2进行合并，得到最终的融合特征F3，进而训练网络，最终将有雾图像输入到训练完成的网络中、再通过大气散射模型将有雾图像还原成无雾图像。
-
公开(公告)号：CN112883941A
公开(公告)日：2021-06-01
申请号：CN202110412784.9
申请日：2021-04-16
Applicant: 哈尔滨理工大学
Abstract: 本申请涉及一种基于并行神经网络的人脸表情识别方法，包括：人脸检测，获取人脸图像；将人脸图像直方图均衡化处理；提取CS‑LBP局部纹理特征；利用并行神经网络分别进行特征提取；提取的特征送入两层全连接层进行降维；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。本方法采用并行神经网络架构，充分利用图像的CS‑LBP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，抑制无用特征，提高了特征提取的效率。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：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：CN113516047A
公开(公告)日：2021-10-19
申请号：CN202110544579.8
申请日：2021-05-19
Applicant: 哈尔滨理工大学
Abstract: 本申请涉及一种基于深度学习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。
-
-
-
-
Search Results
5
records
(took 0.021 seconds)
