-
公开(公告)号：CN117523357A
公开(公告)日：2024-02-06
申请号：CN202311513284.X
申请日：2023-11-14
Applicant: 安徽大学
IPC: G06V10/82 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/776 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明公开一种基于自引导和部件自适应融合的多查询网络，获取车辆的图片数据集，构建基于自引导和部件自适应融合的多查询网络，使用基线车辆图片的原始特征，自引导更新模块为每组多个查询更新原始特征，自适应融合模块将更新特征自适应进行融合，通过重识别损失约束单部件融合特征和单部件更新特征，对基于自引导和部件自适应融合的多查询网络上进行训练和验证，再将训练所得最好的基于自引导和部件自适应融合的多查询网络在测试集上进行测试。发明的自引导更新模块利用同一组内多个查询的集体信息来指导单个查询，自适应融合模块能够自适应地融合来自不同查询的相同部分的有效信息；可更细粒度地处理每张照片的信息，增强特征表示并提高辨别能力。
-
Patent Agency Ranking
公开(公告)号：CN117115630A
公开(公告)日：2023-11-24
申请号：CN202311117117.3
申请日：2023-08-30
Applicant: 安徽大学
IPC: G06V20/00 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于循环一致性的强光下多光谱车辆重识别方法，属于车辆重识别技术领域，解决解决强光下的车辆重识别问题；本发明对光谱图像进行数据预处理，提取光谱对应的高维特征，采用强光标签预测器对受到强光污染的图像标记强光伪标签；利用去光斑生成器将强光污染的热红外光谱和受损的光谱融合成去光斑的光谱，以替换受损的光谱；利用强光标签预测器获取的伪标签训练一个图像质量预测器，设计强光感知的交互融合模块，根据图像质量动态调节特征融合过程进行特征级融合；对多光谱进行了图像级融合，并提出了有效的图像级融合框架，使用强光感知的预测模块来自适应调节多分支特征之间的关系，以增强强光不变的有效特征并抑制易受强光干扰的无效特征。
-
公开(公告)号：CN110826392B
公开(公告)日：2023-03-10
申请号：CN201910875343.5
申请日：2019-09-17
Applicant: 安徽大学
Abstract: 本发明公开了一种结合上下文信息的跨模态行人检测方法，将可见光和热红外两个模态下的图像送到深度卷积网络中得到固定数目的感兴趣区域；将两个模态下的每一个感兴趣区域映射成特征向量作为图中节点构建图模型；采用门循环单元GRU进行上下文信息的传递更新，得到可见光图像GRU、热红外图像GRU、结合可见光和热红外图像的GRU这三个输出结果；使用最终的节点表示来送到分类器中进行分类以及标注框回归，设置阈值，将大于阈值的正样例以及其相应的坐标位置输出，实现行人检测。将深度学习应用到了行人检测领域中，达到较好的检测效果；结合单模态图像上下文信息和跨模态图像上下文信息，使得特征具有更加丰富的信息，帮助分类器更好的分类以及定位。
-
公开(公告)号：CN117671582A
公开(公告)日：2024-03-08
申请号：CN202311542794.X
申请日：2023-11-15
Applicant: 安徽大学
IPC: G06V20/52 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/74 , G06V10/52
Abstract: 本发明公开了一种多尺度跨平台行人重识别方法，包括：获取行人图片数据集，将行人图片数据集划分为训练集和测试集；采用ColorJitter函数，数据增强行人图片数据集中图像；建立初始跨平台行人重识别网络，将训练集中的图片分批输入初始跨平台行人重识别网络中，输出分类结果；通过总损失函数计算分类结果的损失，并利用梯度下降算法更新，以及通过反向传播优化初始跨平台行人重识别网络，获取优化跨平台行人重识别网络；将测试集输入至优化跨平台行人重识别网络中，获取识别精度；判断识别精度，若识别精度不满足要求，则重复训练过程，直至满足精度要求。通过本发明公开的多尺度跨平台行人重识别方法，能够用于不同平台的行人重识别。
-
公开(公告)号：CN117523609A
公开(公告)日：2024-02-06
申请号：CN202311519273.2
申请日：2023-11-15
Applicant: 安徽大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/74 , G06V10/86 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种基于特定和共享表示学习的可见光与近红外行人重识别方法，设计一个共享分支来弥合图像级别的域差异并学习模态共享表征，同时设计了一个特定分支来保留可见光图像的判别信息以学习模态特定表征。此外，还提出了类内聚合和类间分离学习策略，以在细粒度水平上优化特征嵌入的分布，进一步提高发明方法的泛化性能，本发明能够在消除颜色差异的同时，保留可见光图像中包含的颜色特定信息。
-
公开(公告)号：CN110826392A
公开(公告)日：2020-02-21
申请号：CN201910875343.5
申请日：2019-09-17
Applicant: 安徽大学
Abstract: 本发明公开了一种结合上下文信息的跨模态行人检测方法，将可见光和热红外两个模态下的图像送到深度卷积网络中得到固定数目的感兴趣区域；将两个模态下的每一个感兴趣区域映射成特征向量作为图中节点构建图模型；采用门循环单元GRU进行上下文信息的传递更新，得到可见光图像GRU、热红外图像GRU、结合可见光和热红外图像的GRU这三个输出结果；使用最终的节点表示来送到分类器中进行分类以及标注框回归，设置阈值，将大于阈值的正样例以及其相应的坐标位置输出，实现行人检测。将深度学习应用到了行人检测领域中，达到较好的检测效果；结合单模态图像上下文信息和跨模态图像上下文信息，使得特征具有更加丰富的信息，帮助分类器更好的分类以及定位。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
