-
公开(公告)号：CN111914730A
公开(公告)日：2020-11-10
申请号：CN202010737980.9
申请日：2020-07-28
申请人： 上海工程技术大学
摘要： 本发明涉及一种基于联合时空采样的无监督视频序列行人再识别方法，包括：获取训练数据集并进行联合时空采样；进行单摄像头下小片段轨迹特征学习；进行单摄像头下行人小片段轨迹排序；计算单摄像头下小片段轨迹的关联损失；进行跨摄像头下小片段轨迹特征学习；进行跨摄像头下行人小片段轨迹排序；计算跨摄像头下小片段轨迹的关联损失；构造全局关联损失函数；判断是否满足迭代结束条件，若是，则执行步骤10，否则，返回步骤2；结束迭代，完成行人再识别。与现有技术相比，本发明具有识别准确度高、适用于无标签数据集的学习、稳定性高、可靠性和实用性高等优点。
-
公开(公告)号：CN110210335A
公开(公告)日：2019-09-06
申请号：CN201910410107.6
申请日：2019-05-16
申请人： 上海工程技术大学
摘要： 本发明涉及一种行人重识别学习模型的训练方法、系统和装置。方法包括以下步骤：从摄像机监控网络中采集多个摄像机拍摄的所有图片；对每个摄像机拍摄的图片添加身份标签，形成有标签样本集；利用CycleGAN网络对有标签样本集进行拓展，将每个摄像机拍摄的图片进行风格转换，转换生成的图片数量为N-1个，N为摄像机的总数，拓展出的图片为无标签样本，形成无标签样本集；将无标签样本集和有标签样本集合并组成训练数据集；重识别学习模型根据训练数据集通过半监督学习进行自适应训练。与现有技术相比，本发明能够有效的减轻正负样本数量不平衡的影响，减少在训练过程中需要大量标签样本的成本，增强模型的性能。
-
公开(公告)号：CN118196826A
公开(公告)日：2024-06-14
申请号：CN202410131468.8
申请日：2024-01-31
申请人： 上海工程技术大学
IPC分类号： G06V40/10 , G06V20/52 , G06V10/764 , G06V10/80 , G06V10/75 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/094
摘要： 本发明涉及一种换衣行人重识别模型的训练方法、系统、设备及介质，方法包括：采用双分支网络从目标图库行人图片中分别提取出体型特征和外观特征；将特征对齐后的体型特征嵌入至外观特征中，融合得到带有体型信息的外观特征；设置衣服分类器，训练初期将带有体型信息的外观特征输入至衣服分类器计算衣服分类损失，并基于衣服分类损失更新衣服分类器参数；设置行人身份分类器，固定衣服分类器参数后，将带有体型信息的外观特征分别输入至衣服分类器和行人身份分类器，根据计算得到的衣服对抗损失和行人身份损失更新网络参数。与现有技术相比，本发明能够有效减轻行人重识别模型对衣服的依赖，可以提取更丰富的与衣服无关的行人身份特征。
-
公开(公告)号：CN112766217B
公开(公告)日：2022-08-26
申请号：CN202110131884.4
申请日：2021-01-30
申请人： 上海工程技术大学
摘要： 本发明涉及一种基于解纠缠和特征级差异学习的跨模态行人重识别方法，包括：采用可见光摄像机和红外摄像机采集多张行人图片形成数据集；选取可见光模态的两张图像记为x1和x2、选取红外模态的两张图像记为y1和y3，图像x1和y1共享身份信息，图像x2和y3不共享身份信息；获取自编码模型，分别对图像x1、x2、y1和y3解纠缠出风格特征和内容特征；获取生成与判别网络，对风格特征和内容特征进行重构得到多个新图像；获取特征级差异学习网络，对多个新图像和原图像进行特征学习，获取行人识别结果。与现有技术相比，本发明解决了可能存在的跨模态图像间内容信息(如姿态、体态)相近的问题、提升了模型判别的泛化能力、减少了模态间和模态内的差异。
-
公开(公告)号：CN114463582A
公开(公告)日：2022-05-10
申请号：CN202210086708.8
申请日：2022-01-25
申请人： 上海工程技术大学
IPC分类号： G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种用于处理不平衡数据的图像识别方法和装置，方法包括将图像数据输入至不平衡识别网络中，得到分类结果，其中不平衡识别网络建立方法如下：建立双分支网络，将带有分类标签的不平衡数据训练集输入双分支网络，同时次分支网络将图像数据以多个角度进行旋转，得到不同角度的图像数据，并将角度作为不同角度的图像数据的第二标签；对分类标签和第二标签进行平滑处理；将带有平滑处理后的两种标签的不平衡数据训练集输入双分支网络，训练双分支网络；双分支网络训练完成后，单独输出主分支网络作为不平衡识别网络。与现有技术相比，本发明具有流程简洁、对于不平衡数据的识别精度高等优点。
-
公开(公告)号：CN110008828B
公开(公告)日：2021-12-07
申请号：CN201910129342.6
申请日：2019-02-21
申请人： 上海工程技术大学
摘要： 本发明涉及一种基于差异正则化的成对约束成分分析度量优化方法，包括：步骤S1：用摄像头采集多张行人图片形成训练样本集，提取每张样本图片中行人目标的颜色特征，形成一个d维的特征向量xi，最终构成一个包含N个d维特征向量的训练集，其中，N为样本图片的数目；步骤S2：对训练集中的特征向量进行降维处理；步骤S3：计算降维后的样本之间的欧氏距离，并基于各训练样本与测试样本之间的欧氏距离，将训练样本分为正样本和负样本；步骤S4：通过对目标优化函数增加差异正则化项，并基于约束条件创建优化问题；步骤S5：使用梯度下降法求解优化问题。与现有技术相比，本发明具有避免过拟合现象的发生，提高度量学习算法的泛化能力等优点。
-
公开(公告)号：CN116030319A
公开(公告)日：2023-04-28
申请号：CN202310061910.X
申请日：2023-01-18
申请人： 上海工程技术大学
IPC分类号： G06V10/774 , G06V10/82 , G06T7/00
摘要： 本发明涉及一种基于正类实例合成的医学影像数据集过采样方法和设备，所述方法包括如下步骤：针对预处理后的医学影像数据集，划分为正类子集和负类子集，针对负类子集中的各个特征，设置特征的最大值上限和特征最小值下限作为特征边界；通过为每个特征随机生成介于最大值上限和特征最小值下限间的值，在特征边界内合成正类实例，对新合成的正类实例进行更新使其分布在正类实例空间中；将更新后的正类实例转换到原始空间中，完成过采样。与现有技术相比，本发明可以对高不平衡、极端不平衡和绝对不平衡数据进行适当的处理，使用具有正类和负类的合成过采样来生成多样且适应性强的合成实例，对于多类不平衡问题也有良好的表现。
-
公开(公告)号：CN113947101A
公开(公告)日：2022-01-18
申请号：CN202111037460.8
申请日：2021-09-06
申请人： 上海工程技术大学
摘要： 本发明涉及基于软化相似性学习的无监督行人重识别方法和系统，该方法中对无监督行人重识别模型的训练过程包括：利用图像自身索引为行人图像分配伪标签，将每张行人图像分为各自不同的类别；提取图像特征，计算特征距离，从而评估图像间的相似性；根据相似性，选取多张可靠图像，定义对应的可靠标签集，从而设定输入无监督行人重识别模型的查询图像的目标标签分布；对无监督行人重识别模型进行微调，并利用自适应矩估计优化算法迭代训练网络。与现有技术相比，本发明软化了目标标签分布，使得无监督行人重识别模型的训练过程中更好地确定聚类类别数目、避免聚类过程中的产生的硬量化损失，提升无监督行人重识别模型的识别准确性。
-
公开(公告)号：CN110427868A
公开(公告)日：2019-11-08
申请号：CN201910695444.4
申请日：2019-07-30
申请人： 上海工程技术大学
摘要： 本发明涉及一种行人重识别中的特征提取方法，包括：1、将采集的图片划分成背景区域和标记人物的前景区域；2、基于Retinex的色彩保留及亮度信息增强，得到增强后的亮度图像；3、使用HSV颜色直方图来提取图像的颜色特征，使用尺度不变局部三元模式描述子提取图像的光照不变纹理特征；4、利用滑动窗口对行人图像进行区域划分，并提取区域内特征直方图，用以解决视角问题，通过捕获区域的颜色特征和光照不变纹理特征得到人的区域特征。与现有技术相比，本发明在对图像处理过程中可能产生的噪声导致降低整体视觉效果的情况进行处理，可以降低特征提取的难度，提高特征提取的准确度及效率。
-
公开(公告)号：CN104751244B
公开(公告)日：2018-09-14
申请号：CN201510152533.6
申请日：2015-04-01
申请人： 上海工程技术大学
摘要： 本发明涉及一种轨道交通能耗影响因素关联度优化方法，包括步骤：1)确定轨道交通能耗影响因素；2)基于轨道交通能耗各影响因素随机产生N个抗体作为关联度向量，并组成抗体集{R1,…,RN}；3)判断是否存在至少一个抗体下的能耗计算值与实际运行能耗之间的误差小于设定阈值，若为是，则优化结束，若为否，则用误差最小的抗体更新误差最大的抗体，并执行步骤4)；4)利用免疫遗传算法优化该关联度向量，并返回步骤3)。与现有技术相比，本发明基于免疫遗传算法对轨道交通能耗影响因素关联度向量进行估计和优化，使得在各因素关联度关系模型未知的情况下也能优化出贴近实际情况的关联度向量。
-
-
-
-
-
-
-
-
-
搜索结果
32 条记录 (耗时 0.032 秒)
