-
公开(公告)号：CN113283320B
公开(公告)日：2024-09-06
申请号：CN202110524584.2
申请日：2021-05-13
Applicant: 桂林安维科技有限公司 , 桂林电子科技大学
IPC: G06V40/10 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本发明公开了一种基于通道特征聚合的行人重识别方法，主要创新点有：一是在残差块的末尾再接一个SE Block结构，提高了网络对通道特征的提取能力；二是结合ReLU和权重偏置项提出了2个新的激活函数WReLU和LWReLU，有效提高神经网络对全局特征的表征能力；三是在Split‑Attention和SE Block中应用LWReLU，提高了Split‑Attention计算各组特征图的权重能力和SE Block对通道特征的提取能力，四是应用了新型的损失函数Circle Loss，使得模型能更为灵活的优化，能更为明确的收敛目标，进而提高模型的性能。
-
公开(公告)号：CN111507243B
公开(公告)日：2022-08-19
申请号：CN202010293342.2
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/10 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于格拉斯曼流形分析的人体行为识别方法，包括获取数据集的所有训练样本映射到格拉斯曼流形空间；对类内样本点距离和类间样本点距离进行建模；重新定义数据集上的训练样本；建立组合学习模型；对组合学习模型进行迭代求解。以多种特征建模设计分类器模型。从已标注和未标注的行为视频中，基于自定义图模型，通过标签传播方法生成未标注视频的虚拟标签，并使用多流形分析揭示特征数据相关性。对于每种类型特征，既单独保留近邻数据点的局部结构一致性，又在训练集中使用多种特征数据点的全局一致性，来预测未标注样本的标签数据，在标注数据不足时，训练出一种人体行为视频的多分类器，从而提高人体行为识别的准确度。
-
公开(公告)号：CN111488840A
公开(公告)日：2020-08-04
申请号：CN202010293489.1
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种基于多任务学习模型的人体行为分类方法，包括划分有标签数据和无标签数据；基于类内相似图模型和类间相似图模型建立多流形和标签一致性模型；基于图嵌入方法对多流形和分类器训练建立多任务学习模型；提取训练集特征并对特征进行降维；获取特征输入至多任务学习模型进行训练得到分类器结果。通过对视频中人物动作的数据分布和特征关联进行分析，结合多流形分析和多任务学习重新定义目标函数，挖掘出行为特征之间的内在联系；利用谱投影梯度方法和KKT条件求解多分类器目标函数的最优值；运用半监督学习算法，将已标注视频和未标注视频样本作为训练样本，同时放入分类器训练过程以提高分类器性能，从而提高了识别精度。
-
公开(公告)号：CN118429861A
公开(公告)日：2024-08-02
申请号：CN202410537577.X
申请日：2024-04-30
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V20/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于图卷积的自适应相关性半监督学习方法，通过对视频进行预处理，按照动作类别将视频切分成不同的视频片段；提取视频样本数据的特征，并将所述视频样本数据划分为有标签数据和无标签数据；基于所述视频样本数据的特征来构建视频数据的图结构；利用所述图结构，引入自适应的权重计算方法，根据节点特征相似度得到最新的相关性权值；从有标签数据和无标签数据中学习全局拓扑信息；对源节点特征进行线性变换，然后将源节点特征和相邻节点特征进行聚合，得到输入特征；将输入特征引入分类层进行训练，得到最终模型；使用测试数据对模型效果进行评估，得到模型的识别性能。
-
公开(公告)号：CN118428416A
公开(公告)日：2024-08-02
申请号：CN202410538759.9
申请日：2024-04-30
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06N3/0464 , G06N3/084
Abstract: 本发明涉及机器学习技术领域，具体涉及一种基于图数据模型的卷积网络特征学习方法，首先通过将网络中的特征学习表示为最大似然优化问题，再基于所述最大似然优化问题提出两个标准假设，基于两个标准假设简化最大似然优化问题，利用随机游走策略搜索所述网络邻域；设置两个参数b和d来引导所述随机游走策略；利用随机梯度下降优化特征，得到最新的特征表示，最后将所述最新的特征表示应用于图卷积网络模型中进行下游任务。本发明解决了现有技术中由于依赖于固定的网络邻域概念，从而导致对网络中特有的连接模式不敏感，无法得到有效的节点特征表示的问题。
-
Patent Agency Ranking
公开(公告)号：CN116469171A
公开(公告)日：2023-07-21
申请号：CN202310490627.9
申请日：2023-05-04
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V10/774 , G06V10/764 , G06V10/762 , G06V10/82
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于跨视图一致性挖掘的自监督骨架动作识别方法，通过采集无标签骨架数据并进行预处理，从骨架序列生成3D骨架的多种视图，结合多种数据增强方法获得多视图数据的扩增序列，通过编码器得到不同视图的编码特征，建立单视图对比学习框架；进一步通过实例判别的对比学习对多个视图分支进行并行自监督训练，产生多个单视图嵌入特征，通过最近邻挖掘正样本方法，构建单视图语义级的对比学习，经过结合跨视图一致性挖掘模块，学习多视图的协同表示，最后在动作识别任务上利用测试数据对模型效果进行评估，得到模型的识别性能。本发明提高了人体骨架动作识别模型的性能，改善现有的人体骨架动作识别方法的存在问题。
-
公开(公告)号：CN111507243A
公开(公告)日：2020-08-07
申请号：CN202010293342.2
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种基于格拉斯曼流形分析的人体行为识别方法，包括获取数据集的所有训练样本映射到格拉斯曼流形空间；对类内样本点距离和类间样本点距离进行建模；重新定义数据集上的训练样本；建立组合学习模型；对组合学习模型进行迭代求解。以多种特征建模设计分类器模型。从已标注和未标注的行为视频中，基于自定义图模型，通过标签传播方法生成未标注视频的虚拟标签，并使用多流形分析揭示特征数据相关性。对于每种类型特征，既单独保留近邻数据点的局部结构一致性，又在训练集中使用多种特征数据点的全局一致性，来预测未标注样本的标签数据，在标注数据不足时，训练出一种人体行为视频的多分类器，从而提高人体行为识别的准确度。
-
公开(公告)号：CN115661718A
公开(公告)日：2023-01-31
申请号：CN202211385326.1
申请日：2022-11-07
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明涉及自监督学习技术领域，具体涉及一种基于跨尺度图对比学习的人体骨架动作识别方法，基于图对比自监督动作识别网络和跨尺度一致性知识挖掘方法，得到最终模型，再利用带标签训练数据对所述最终模型的参数进行微调，并基于线性评估协议得到所述最终模型的识别性能；本发明通过充分利用图对比学习方法，在扩充无标签骨架数据时，随机裁剪组成骨架结构的边，其次利用骨骼关节点相互聚合的方法，构建出多个尺度的骨架图，通过跨尺度感知一致性，进一步提高了最近邻挖掘策略，使学习过程更加合理从而提升识别性能，解决了现有的人体骨架动作识别方法未使用无标签数据对模型进行训练，导致模型的识别性能受到限制的问题。
-
公开(公告)号：CN115100738A
公开(公告)日：2022-09-23
申请号：CN202210638655.6
申请日：2022-06-07
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V10/774 , G06N20/00
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于对比学习的半监督人体行为识别方法，包括将视频样本数据划分为有标签数据和无标签数据；基于双路径时间对比学习框架，并依次利用有标签数据和无标签数据对识别模型进行训练，得到二次训练模型；为无标签数据分配伪标签后对二次训练模型进行监督训练，得到最终模型；利用测试数据对模型进行评估，得到模型的识别性能，本发明通过利用对比学习构建半监督模型来挖掘视频样本数据中更多信息，解决了现有的人体行为识别方法在有限的有标签数据上获得的人体行为信息较少的问题。
-
公开(公告)号：CN113283320A
公开(公告)日：2021-08-20
申请号：CN202110524584.2
申请日：2021-05-13
Applicant: 桂林安维科技有限公司 , 桂林电子科技大学
Abstract: 本发明公开了一种基于通道特征聚合的行人重识别方法，主要创新点有：一是在残差块的末尾再接一个SE Block结构，提高了网络对通道特征的提取能力；二是结合ReLU和权重偏置项提出了2个新的激活函数WReLU和LWReLU，有效提高神经网络对全局特征的表征能力；三是在Split‑Attention和SE Block中应用LWReLU，提高了Split‑Attention计算各组特征图的权重能力和SE Block对通道特征的提取能力，四是应用了新型的损失函数Circle Loss，使得模型能更为灵活的优化，能更为明确的收敛目标，进而提高模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.037 seconds)
