-
公开(公告)号：CN110909161B
公开(公告)日：2022-04-08
申请号：CN201911097973.0
申请日：2019-11-12
Applicant: 西安电子科技大学
IPC: G06F16/35 , G06F40/284
Abstract: 一种基于密度聚类和视觉相似度的英文单词分类方法，其步骤为：英文单词预处理；计算所选英文单词与每个英文单词的视觉相似度和距离；若邻域集中单词个数大于或等于2，则将所选单词加入空簇后选择未分类英文单词；处理未访问的未分类英文单词；对已访问的未分类英文单词，直接将其加入簇；判断是否有未分类英文单词，若有则选择未分类英文单词，否则将簇作为新一类单词标记为已访问；若单词均已访问，输出各类。本发明通过计算英文单词之间的视觉相似度与距离，并利用距离进行密度聚类，可以将视觉相似的英文单词分别组成一类，以提高对英文单词的记忆。
-
公开(公告)号：CN114495163A
公开(公告)日：2022-05-13
申请号：CN202210038244.3
申请日：2022-01-13
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于类别激活映射的行人重识别生成学习方法，主要解决现有技术收集的数据集不平衡导致行人重识别模型性能差的问题。其方案为：建立行人重识别生成学习深度网络模型；1)从行人重识别基准数据集中读取行人图像；2)获取行人姿态特征信息；3)获取行人外观特征信息；4)通过3)进行行人重识别；5)通过2)和3)生成行人图像并计算类别激活映射损失；6)对生成图像在线进行行人重识别分类，并计算分类损失；7)对各损失进行反向传播；8)重复1)‑7)更新深度网络模型参数，直到损失函数值趋于稳定，完成行人重识别生成学习。本发明能生成高质量的行人图像，增强行人重识别网络的性能，可用于智能安保、智能行人追踪。
-
Patent Agency Ranking
公开(公告)号：CN117197868B
公开(公告)日：2025-05-16
申请号：CN202311130360.9
申请日：2023-09-04
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/084 , G06N3/0464 , G06N3/048 , G06N3/047
Abstract: 本发明公开了一种基于Batchformer的疼痛表情评估方法，主要解决现有技术在设计疼痛评估神经网络上过于复杂和训练疼痛评估神经网络的数据集存在数据不平衡的问题。本发明在不改变传统疼痛评估神经网络特征提取器和分类器网络结构的情况下，通过在特征提取器与分类器之间加入Batchformer模块处理不平衡问题。本发明利用batchformer模块计算每批次不同样本的加权结合特征，输出该批次的样本关系特征，使得同一批次内多数类样本也有助于少数类样本的学习，克服了现有技术对少数类样本学习不充分而导致的评估性能较差的问题，提高了面部疼痛评估的准确率。
-
公开(公告)号：CN118072371A
公开(公告)日：2024-05-24
申请号：CN202410223659.7
申请日：2024-02-29
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/54 , G06N3/0475 , G06N3/094 , G06N3/096 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于情感迁移的面部疼痛表情类别生成方法，主要解决现有技术中无痛图像与疼痛级别图像数据不平衡，面部疼痛表情类别生成性能差的问题。其方案是：建立原始真实图像数据集：构建包括纹理特征编码器、几何特征编码器、特征融合网络、图像生成器和判别器的疼痛生成网络模型；根据原始真实图像数据集获得疼痛生成网络模型的生成损失函数：构建增强的训练数据集和测试数据集；选用现有的疼痛评估网络，利用训练数据集对其迭代训练；将测试数据集样本输入到训练好的疼痛表情类别检测网络，得到每张人脸图像的疼痛类别。本发明能平衡无痛和有痛数据集的数量，提高面部疼痛表情类别生成准确性和可靠性，可用于提取人脸表情图像特征的疼痛评估。
-
公开(公告)号：CN114495163B
公开(公告)日：2024-08-20
申请号：CN202210038244.3
申请日：2022-01-13
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于类别激活映射的行人重识别生成学习方法，主要解决现有技术收集的数据集不平衡导致行人重识别模型性能差的问题。其方案为：建立行人重识别生成学习深度网络模型；1)从行人重识别基准数据集中读取行人图像；2)获取行人姿态特征信息；3)获取行人外观特征信息；4)通过3)进行行人重识别；5)通过2)和3)生成行人图像并计算类别激活映射损失；6)对生成图像在线进行行人重识别分类，并计算分类损失；7)对各损失进行反向传播；8)重复1)‑7)更新深度网络模型参数，直到损失函数值趋于稳定，完成行人重识别生成学习。本发明能生成高质量的行人图像，增强行人重识别网络的性能，可用于智能安保、智能行人追踪。
-
公开(公告)号：CN117197868A
公开(公告)日：2023-12-08
申请号：CN202311130360.9
申请日：2023-09-04
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/084 , G06N3/0464 , G06N3/048 , G06N3/047
Abstract: 本发明公开了一种基于Batchformer的疼痛表情评估方法，主要解决现有技术在设计疼痛评估神经网络上过于复杂和训练疼痛评估神经网络的数据集存在数据不平衡的问题。本发明在不改变传统疼痛评估神经网络特征提取器和分类器网络结构的情况下，通过在特征提取器与分类器之间加入Batchformer模块处理不平衡问题。本发明利用batchformer模块计算每批次不同样本的加权结合特征，输出该批次的样本关系特征，使得同一批次内多数类样本也有助于少数类样本的学习，克服了现有技术对少数类样本学习不充分而导致的评估性能较差的问题，提高了面部疼痛评估的准确率。
-
公开(公告)号：CN110909161A
公开(公告)日：2020-03-24
申请号：CN201911097973.0
申请日：2019-11-12
Applicant: 西安电子科技大学
IPC: G06F16/35 , G06F40/284
Abstract: 一种基于密度聚类和视觉相似度的英文单词分类方法，其步骤为：英文单词预处理；计算所选英文单词与每个英文单词的视觉相似度和距离；若邻域集中单词个数大于或等于2，则将所选单词加入空簇后选择未分类英文单词；处理未访问的未分类英文单词；对已访问的未分类英文单词，直接将其加入簇；判断是否有未分类英文单词，若有则选择未分类英文单词，否则将簇作为新一类单词标记为已访问；若单词均已访问，输出各类。本发明通过计算英文单词之间的视觉相似度与距离，并利用距离进行密度聚类，可以将视觉相似的英文单词分别组成一类，以提高对英文单词的记忆。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
