-
公开(公告)号：CN117058691B
公开(公告)日：2024-09-13
申请号：CN202310553707.4
申请日：2023-05-16
Applicant: 重庆邮电大学
IPC: G06V30/228 , G06T17/00 , G06T7/246 , G06V10/82 , G06V10/26 , G06V10/46 , G06N3/0464
Abstract: 本发明属于人机交互和计算机视觉领域，特别涉及一种基于三维手势重建的空中手写交互方法，包括：获取用户空中手写交互的彩色图像数据流，并输入到深度神经网络中进行手部核心区域分割和手部关节点二维信息提取；将手部核心区域图和手部关节点二维信息输入到解码网络中估计三维空间中用户的手势模型，并对手势模型进行约束重建；根据重建后的三维手势模型实时获取用户的指尖运动轨迹，采用时序卷积循环神经网络对指尖运动轨迹进行识别，得到空中手写交互识别结果；本发明使用时序卷积循环网络来直接处理手写运动轨迹，不但能够识别输出手写文本行，而且还具备更高的识别精度、更小的计算开销和模型存储，提升了系统的实用性和普及性。
-
公开(公告)号：CN114841887B
公开(公告)日：2024-09-06
申请号：CN202210515284.2
申请日：2022-05-12
Applicant: 重庆邮电大学
IPC: G06T5/77 , G06T5/60 , G06N3/0464 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于多层次差异学习的图像恢复质量评价方法，该方法包括：获取待评价的恢复图像，将恢复图像输入到训练好的基于多层次差异学习的图像恢复质量评价模型中，得到质量评价结果；根据质量评价结果对该图像进行分类保存；其中基于多层次差异学习的图像恢复质量评价模型包括多层差异生成子网络和感知差异回归子网络；本发明所提方法并不是只对恢复后的图像进行质量评估，而是能够量化失真恢复图像对之间的感知差异值，使得对恢复图像进行预测更加可靠和有效。
-
公开(公告)号：CN115484456B
公开(公告)日：2024-05-07
申请号：CN202211121615.0
申请日：2022-09-15
Applicant: 重庆邮电大学
IPC: H04N17/00 , H04N7/18 , H04N19/513 , G06V10/74 , G06V10/762 , G06V10/774 , G06V20/40
Abstract: 本发明属于视频异常检测，具体涉及一种基于语义聚类的视频异常预测方法及装置，所述方法包括将不存在异常的视频，即正常视频序列输入位移通道可选择编码器进行语义特征提取，将提取的语义放入语义池进行储存；在处理实时数据时，将实时视频序列输入位移通道可选择编码器得到其对应的未来视频帧的语义特征，判断提取的语义特征与语义池中所有正常语义特征的相似度，若最大相似度大于设定阈值则该输入视频序列的未来帧正常，否则异常；本发明可以实现对还未发生的异常进行预测，且本发明通过有选择性的通道位移，让编码器提取时间信息的同时，更加关注运动变化较大的区域，并且减少对背景信息的关注。
-
公开(公告)号：CN114841887A
公开(公告)日：2022-08-02
申请号：CN202210515284.2
申请日：2022-05-12
Applicant: 重庆邮电大学
IPC: G06T5/00 , G06N3/04 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于多层次差异学习的图像恢复质量评价方法，该方法包括：获取待评价的恢复图像，将恢复图像输入到训练好的基于多层次差异学习的图像恢复质量评价模型中，得到质量评价结果；根据质量评价结果对该图像进行分类保存；其中基于多层次差异学习的图像恢复质量评价模型包括多层差异生成子网络和感知差异回归子网络；本发明所提方法并不是只对恢复后的图像进行质量评估，而是能够量化失真恢复图像对之间的感知差异值，使得对恢复图像进行预测更加可靠和有效。
-
公开(公告)号：CN114399530A
公开(公告)日：2022-04-26
申请号：CN202111514363.3
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06T7/246 , G06T5/20 , G06T5/40 , G06K9/62 , G06V10/774
Abstract: 本发明请求保护一种基于样本差异化学习的相关滤波目标跟踪方法及系统及系统，属于计算机视觉技术领域。所述方法主要包括以下步骤：在视频初始帧获取目标的位置和大小，并训练一个尺度滤波器和定位滤波器；获得每一帧输入图像的候选区域与滤波器模型的响应图；根据响应图计算多个样本可靠度指标的值；标签标注器以指标值作依据为训练样本标注可靠度标签；最后选择与可靠度标签匹配的样本学习率来更新滤波器模型。本发明针对复杂跟踪场景中存在不可靠的训练样本问题，提出通过感知样本的可靠度来引导跟踪器差异化地学习不同样本。该方法能减轻不可靠样本对模型的污染，并缓解模型漂移，提升基于相关滤波跟踪器在复杂场景下的跟踪性能。
-
Patent Agency Ranking
公开(公告)号：CN114445705B
公开(公告)日：2025-04-04
申请号：CN202210071009.6
申请日：2022-01-21
Applicant: 重庆邮电大学
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于密集区域感知的高效航拍图像的目标检测方法，该方法包括：实时获取待检测的图像，将待检测的图像输入到训练好目标检测模型中，得到检测结果；对检测的结果进行标记；本发明通过利用基于密集区域感知的方法有效区分出中的密集区域，然后利用整张图像粗糙检测时提取出的全局上下文信息辅助密集区域的精细检测，提高了密集区域中的小目标检测的性能；在非密集区域处理过程中使用结构更简单的检测器可以极大地减少计算所需资源，提升目标检测模型的检测速度并降低检测过程中所需的显存占用，避免不必要的浪费。
-
公开(公告)号：CN114399530B
公开(公告)日：2024-09-27
申请号：CN202111514363.3
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06T7/246 , G06T5/20 , G06T5/40 , G06V10/774
Abstract: 本发明请求保护一种基于样本差异化学习的相关滤波目标跟踪方法及系统及系统，属于计算机视觉技术领域。所述方法主要包括以下步骤：在视频初始帧获取目标的位置和大小，并训练一个尺度滤波器和定位滤波器；获得每一帧输入图像的候选区域与滤波器模型的响应图；根据响应图计算多个样本可靠度指标的值；标签标注器以指标值作依据为训练样本标注可靠度标签；最后选择与可靠度标签匹配的样本学习率来更新滤波器模型。本发明针对复杂跟踪场景中存在不可靠的训练样本问题，提出通过感知样本的可靠度来引导跟踪器差异化地学习不同样本。该方法能减轻不可靠样本对模型的污染，并缓解模型漂移，提升基于相关滤波跟踪器在复杂场景下的跟踪性能。
-
-
公开(公告)号：CN115240008A
公开(公告)日：2022-10-25
申请号：CN202210931306.3
申请日：2022-08-04
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种采样无关的全度量小样本目标检测方法，包括：构建全度量样本检测模型，并微调全度量样本检测模型；采样小样本数据，对小样本数据集进行组织划分，得到类支持集和查询集，并对类支持集中的类支持样本进行预处理；将小样本数据输入到微调后的全度量样本检测模型，进行目标检测并获得检测结果。本发明通过使用跨尺度语义匹配减少由于和尺度差异而导致匹配次优结果；通过构造一组正常和损坏图片对，采用自监督学习策略约束网络使编码器可利用上下文构建出更为鲁棒原型；为原型向量增设了空间位置信息来引导模型更为准确捕获到目标。
-
公开(公告)号：CN114782854A
公开(公告)日：2022-07-22
申请号：CN202111683839.6
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06V20/40 , G06N3/04 , G06K9/62 , G06V10/762 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明涉及视频异常检测领域，特别涉及一种基于视角转换和记忆引导的视频异常检测方法，包括利用编码器对输入的视频序列进行特征编码，并将特征编码通过基于相似度权重寻址获取记忆池中的相似记忆项得到重组特征编码；通过解码器对重组特征编码进行重构得到重构目标帧，根据重构目标帧进行异常检测；若重构目标帧与真实的目标图像之间的重构误差高于设置的阈值则图像存在异常；将初步异常检测结果为正常的图像输入预训练好的新视角图像生成网络得到新视角目标帧；对新视角目标帧进行异常检测判断图像是否存在异常；本发明通过新视角生成网络，目标帧的异常数据在新视角下可能更突出，从而能够降低异常检测的难度。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.024 seconds)
