公开(公告)号：CN115984563A

公开(公告)日：2023-04-18

申请号：CN202310023140.X

申请日：2023-01-09

Applicant: 大连理工大学

Inventor： 杨鑫 ,  王超毅 ,  魏小鹏 ,  于男男

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/62 ,  G06V10/764 ,  G06V10/82 ,  G06N3/042

Abstract: 本发明属于计算机视觉技术领域，具体为一种基于图神经网络的事件相机运动分割方法。针对基于事件相机数据的运动分割任务，首先制作一个基于事件相机的运动分割数据集，同时，基于该数据集，提出一种基于图神经网络的运动分割算法用以对运动目标进行准确分割。本发明可以充分发挥事件数据的稀疏性和高时间分辨率特征，并引入注意力机制有效地集成图结构和内容信息，以学习潜在特征。

公开(公告)号：CN116486488A

公开(公告)日：2023-07-25

申请号：CN202310606782.2

申请日：2023-05-26

Applicant: 大连理工大学

Inventor： 杨鑫 ,  张强 ,  于男男 ,  王超毅 ,  魏小鹏

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/762 ,  G06V10/764 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于计算机视觉技术领域，公开了一种基于超图模型的事件相机步态识别方法。本发明首次提出以超图结构表征事件流。本发明提出的超图模型事件流表示方式充分发挥挖掘事件数据的时空关系和全局信息，并基于降采样事件流进行超图构建，可以更有效的提取步态序列的事件特征且减少了计算量。本发明提出了一个融合超图卷积、注意力机制和残差模块的超图神经网络模型，结合超图神经网络层的超大容量，最终使用Softmax函数生成运动目标的类别标签。超图卷积和注意力都是端到端可训练的模块，并且只要观察到非成对关系，就可以插入到大多数的图神经网络模型变体中。本发明能有效地利用事件数据的特征从而解决步态识别难题。

公开(公告)号：CN118570248A

公开(公告)日：2024-08-30

申请号：CN202410649974.6

申请日：2024-05-24

Applicant: 大连理工大学

Inventor： 杨鑫 ,  于男男 ,  张强 ,  魏小鹏

IPC: G06T7/215 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/762

Abstract: 一种基于深度超图聚类的事件相机运动分割方法。通过充分挖掘事件的运动信息，并结合事件的时空特性构建时空运动超图。该时空运动超图保留了事件流的时间分辨率，能表示事件在时间间隔内的高阶数据结构，提高事件数据的高阶表征能力；增强时序信息在算法中的利用，其对运动分割任务至关重要。将基于事件的运动分割问题转化为超图切割问题，实现基于深度超图聚类的事件相机的运动分割方法。根据运动分割后的事件簇类间距离小，类内距离大的标准，利用自设计的深度超图聚类模块完成聚类，即实现输入事件序列的运动分割。本发明方法即利用图卷积神经网络学习节点的特征嵌入表示，又通过自训练的图聚类增强同一簇节点之间的内聚性，提高算法的泛化性。

公开(公告)号：CN118097717A

公开(公告)日：2024-05-28

申请号：CN202410241613.8

申请日：2024-03-04

Applicant: 大连理工大学

Inventor： 马涛 ,  杨鑫 ,  于男男 ,  尹宝才 ,  魏小鹏

IPC: G06V40/10 ,  G06V10/44 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0495

Abstract: 本发明属于计算机视觉技术领域，公开了一种用于事件相机人体姿态估计的自适应视觉转换器。该方法不仅在数据处理部分首次引入局部归一化化事件表面方法，充分利用事件数据自身所蕴含的信息，在模型设计部分，通过将事件帧图像划分为一个个图像块，并且根据图像块所具有的信息熵自适应选择信息熵较大的图像块，丢弃信息熵较小的图像块，这样一来不仅能够减少整个学习过程中的计算量，而且能够使得整个网络在学习过程中更关注那些具有人体信息的图像块，使得整个人体姿态估计算法的速度和准确率都大大提高。

公开(公告)号：CN117636470A

公开(公告)日：2024-03-01

申请号：CN202311646553.X

申请日：2023-12-04

Applicant: 大连理工大学

Inventor： 杨鑫 ,  张强 ,  于男男 ,  王超毅 ,  魏小鹏

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/762 ,  G06V10/764 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明属于计算机视觉技术领域，公开了一种基于超图模型的事件相机步态识别方法。本发明首次提出以超图结构表征事件流。本发明提出的超图模型事件流表示方式充分发挥挖掘事件数据的时空关系和全局信息，并基于降采样事件流进行超图构建，可以更有效的提取步态序列的事件特征且减少了计算量。本发明提出了一个融合超图卷积、注意力机制和残差模块的超图神经网络模型，结合超图神经网络层的超大容量，最终使用Softmax函数生成运动目标的类别标签。超图卷积和注意力都是端到端可训练的模块，并且只要观察到非成对关系，就可以插入到大多数的图神经网络模型变体中。本发明能有效地利用事件数据的特征从而解决步态识别难题。