一种基于空间注意力模型的群组情绪识别方法

    公开(公告)号:CN111914600A

    公开(公告)日:2020-11-10

    申请号:CN201910386847.0

    申请日:2019-05-08

    Applicant: 四川大学

    Abstract: 本发明提供了一种基于空间注意力模型的群组情绪识别方法,主要涉及利用双通道群组情绪识别网络对群组情绪图像进行学习分类。该方法包括:构建双通道群组情绪识别网络,其中一通道通过以特征图的方式加入人脸掩膜引入空间注意力模型进行局部特征提取,另外一通道则将重点放在全局图像之上,提取群组情绪图像的全局特征,再将两通道模型进行融合,测试得到群组情绪的分类效果。本发明充分发挥深度学习的优势,有效避免手动提取特征的偏差和耗时长等问题,使得本发明方法的适应能力更强。此外,利用双通道网络的结构特征,并行训练及预测,形成一种互补的架构,再融合两个子网络的训练模型,提高群组情绪识别的准确率。

    一种基于光流的快速人体姿态估计方法

    公开(公告)号:CN108615241A

    公开(公告)日:2018-10-02

    申请号:CN201810397371.6

    申请日:2018-04-28

    Applicant: 四川大学

    CPC classification number: G06T7/207 G06T7/70 G06T2207/10016

    Abstract: 本发明提供了一种基于光流的快速人体姿态估计方法,主要涉及利用代表视频序列帧间时间相关性的光流场,将关键帧的姿态信息传播到非关键帧,预测得到非关键帧的人体姿态信息。该方法包括:采用自适应关键帧检测算法确定原始视频序列的关键帧、非关键帧及图像组的大小,在关键帧上运用人体姿态估计算法得到关键帧的姿态信息,在同一图像组内,根据关键帧与每一非关键帧间的时间相关性计算光流场信息,利用光流场与关键帧的人体姿态信息预测非关键帧中人体姿态信息。本发明充分利用了的视频序列的时间相关性,避免了在每一帧上运行人体姿态估计算法,使得本发明在检测速度下降不大的情况下有效提高检测速度。

    一种基于关键帧编码单元划分模式的DVC-HEVC视频转码方法

    公开(公告)号:CN107018412B

    公开(公告)日:2019-09-10

    申请号:CN201710259191.7

    申请日:2017-04-20

    Applicant: 四川大学

    Abstract: 本发明提供了一种基于关键帧编码单元划分模式的DVC‑HEVC视频转码方法及其转码器,主要涉及转码器中HEVC编码方式的划分。由于非关键帧的CU划分深度一般小于关键帧的划分深度,本发明首先在K帧划分模式的基础上进行一次融合操作,按照融合后的CU划分模式对WZ帧进行划分,然后根据WZ的运动矢量判断该CU是否需要进一步的划分,最终得到WZ帧的CU划分模式。通过本发明的方法,可以跳过HEVC编码模块中计算复杂度较高的逐层率失真优化过程,从而达到降低HEVC编码复杂度的目的。实验结果表明,本发明的方法在转码失真很小的情况下,大大降低了视频编码的计算复杂度和转码时间,有效提高了转码效率。

    一种基于深度学习的人脸序列表情识别方法

    公开(公告)号:CN108921042A

    公开(公告)日:2018-11-30

    申请号:CN201810587517.3

    申请日:2018-06-06

    Applicant: 四川大学

    Abstract: 本发明提供了一种基于深度学习的人脸序列的表情分析方法,主要涉及利用多尺度人脸表情识别网络对人脸序列表情进行分类。该方法包括:构建多尺度人脸表情识别网络(其中包括处理128×128,224×224,336×336等不同分辨率的三个通道),并利用该网络并行提取不同分辨率的人脸序列中的特征,最后融合这三种特征,得到人脸序列表情的分类。本发明充分发挥深度学习的自我学习能力,避免了人工提取特征的局限性,使得本发明方法的适应能力更强。利用多流深度学习网络的结构特征,并行训练及预测,最后融合多个子网络的分类结果,提高了准确率及工作效率。

Patent Agency Ranking