-
公开(公告)号：CN110516536A
公开(公告)日：2019-11-29
申请号：CN201910630472.8
申请日：2019-07-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于时序类别激活图互补的弱监督视频行为检测方法。本发明步骤如下：1、对视频数据和视频的类别标注进行预处理，2、特征嵌入模块，来学习嵌入后的特征，3、在线生成时序类别激活图，4、生成时序类别激活图的互补激活图，5、生成检测结果，6、模型训练，利用反向传播算法训练神经网络参数。本发明提出一种弱监督时序行为检测领域中在线生成时序类别激活图并基于此生成互补激活图的方法，以及在弱监督时序行为检测中更加适用的特征嵌入结构，并且获得了目前在弱监督时序行为检测领域中的较好效果，相比于原始的时序类别激活图的方法性能有了很大提升。
-
公开(公告)号：CN108830170A
公开(公告)日：2018-11-16
申请号：CN201810510226.4
申请日：2018-05-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于分层特征表示的端到端目标跟踪方法。本发明包括以下步骤：1、对视频帧数据进行处理得到输入图像对并提取特征，2、图像对的分层特征表示与对图像对特征进行互相关操作。3、对分层的互相关操作得到的响应图，通过加权融合的方式来平衡形态特征和语义特征得到最终响应图。4、模型训练，利用反向传播算法训练神经网络参数。本发明提出一种针对目标跟踪的神经网络模型，特别是提出一种基于全卷积分层特征融合表示的网络结构，并且获得了目前在目标跟踪领域中拥有比较有竞争力的效果。
-
公开(公告)号：CN110516536B
公开(公告)日：2022-03-18
申请号：CN201910630472.8
申请日：2019-07-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于时序类别激活图互补的弱监督视频行为检测方法。本发明步骤如下：1、对视频数据和视频的类别标注进行预处理，2、特征嵌入模块，来学习嵌入后的特征，3、在线生成时序类别激活图，4、生成时序类别激活图的互补激活图，5、生成检测结果，6、模型训练，利用反向传播算法训练神经网络参数。本发明提出一种弱监督时序行为检测领域中在线生成时序类别激活图并基于此生成互补激活图的方法，以及在弱监督时序行为检测中更加适用的特征嵌入结构，并且获得了目前在弱监督时序行为检测领域中的较好效果，相比于原始的时序类别激活图的方法性能有了很大提升。
-
公开(公告)号：CN108830170B
公开(公告)日：2022-03-18
申请号：CN201810510226.4
申请日：2018-05-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于分层特征表示的端到端目标跟踪方法。本发明包括以下步骤：1、对视频帧数据进行处理得到输入图像对并提取特征，2、图像对的分层特征表示与对图像对特征进行互相关操作。3、对分层的互相关操作得到的响应图，通过加权融合的方式来平衡形态特征和语义特征得到最终响应图。4、模型训练，利用反向传播算法训练神经网络参数。本发明提出一种针对目标跟踪的神经网络模型，特别是提出一种基于全卷积分层特征融合表示的网络结构，并且获得了目前在目标跟踪领域中拥有比较有竞争力的效果。
-
-
-
Search Results
4
records
(took 0.031 seconds)
