-
公开(公告)号：CN108764233B
公开(公告)日：2021-10-15
申请号：CN201810434326.3
申请日：2018-05-08
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于连续卷积激活的场景字符识别方法，该方法包括：将训练图像输入至卷积神经网络，得到卷积激活图；利用第一预设卷积层中的卷积激活图，得到卷积激活描述子；利用第二预设卷积层中的卷积激活图，得到权重矩阵；基于卷积激活描述子和权重矩阵，得到连续卷积激活描述子；利用Fisher向量对连续卷积激活描述子进行编码，获取训练图像的特征向量；基于特征向量利用支持向量机得到场景字符识别分类模型；获取测试图像的特征向量，输入至场景字符识别分类模型得到场景字符识别结果。本发明将底层的笔画、纹理等特征信息和高层的语义信息结合在特征向量中，达到有效挖掘显著特征信息和笔画结构信息的目的，提高场景字符识别的准确率。
-
公开(公告)号：CN108229444B
公开(公告)日：2021-10-12
申请号：CN201810132400.6
申请日：2018-02-09
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于整体和局部深度特征融合的行人再识别方法，该方法包括：构建局部特征目标网络和整体特征目标网络；把训练行人图像子区域对输入局部特征目标网络，得到局部特征学习模型；把测试行人图像子区域输入局部特征学习模型，得到子区域特征向量；把训练行人图像整幅输入整体特征目标网络，得到整体特征学习模型；把测试行人图像整幅输入整体特征学习模型，得到整体特征向量；将子区域特征向量和整体特征向量组合形成最终特征表示，计算该行人图像与训练图像的相似度，得到行人识别结果。本发明充分利用深度学习的优势，挖掘行人图像的局部特征和整体特征，最终结合两种特征形成图像的特征向量，提高了行人再识别的匹配正确率。
-
公开(公告)号：CN108960184B
公开(公告)日：2021-08-24
申请号：CN201810800448.X
申请日：2018-07-20
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于异构部件深度神经网络的行人再识别方法，该方法包括：构建基于异构部件的深度神经网络；为行人图像提取卷积激活图形成张量；利用水平平均池化对张量进行平均分割得到K个部分，并对每个部分的元素在水平方向求平均得到K个基于部分的特征向量；获得某一批次硬三元组损失和K个交叉熵损失；利用两个损失的和更新深度神经网络的网络参数；提取待查询图像的K个基于部分的特征向量，将其串联成一个特征向量作为特征表示向量；根据特征表示向量之间的距离得到所述待查询图像的匹配结果。本发明利用对准距离学习行人图像部分的对齐，并利用不同的损失学习更具有判别性的基于部分的特征，从而提高行人再识别匹配的正确率。
-
公开(公告)号：CN111695460A
公开(公告)日：2020-09-22
申请号：CN202010473581.6
申请日：2020-05-29
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于局部图卷积网络的行人再识别方法，该方法包括：构建特征提取模块，得到训练行人图像的局部特征；构建图卷积模块，得到训练行人图像的局部图卷积特征；构建损失计算模块，利用损失值对于由上述模块组成的行人再识别模型优化，得到最优行人再识别模型；利用最优行人再识别模型计算查询图像和训练行人图像的局部图卷积特征之间的相似度，得到行人再识别结果。本发明充分利用卷积神经网络和图卷积网络的优势，学习行人图像间同一区域局部特征关系，最终串联同一行人图像中不同区域的图卷积特征来表示行人图像，进一步提高了行人再识别的匹配正确率。
-
公开(公告)号：CN111242227A
公开(公告)日：2020-06-05
申请号：CN202010050031.3
申请日：2020-01-16
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于异构深度特征的多模态地基云识别方法，所述方法包括：对多模态地基云样本进行预处理，得到训练多模态地基云样本；将训练多模态地基云样本输入至异构深度特征网络训练模型中，训练得到异构深度特征网络；基于异构深度特征网络提取得到训练多模态地基云样本的异构深度特征，串联得到训练多模态地基云样本的最终特征表示；训练支持向量机分类器，得到多模态地基云分类模型；获取测试多模态地基云样本的最终特征表示，输入至多模态地基云分类模型中，得到多模态地基云识别结果。本发明利用卷积神经网络和图卷积神经网络进行特征提取，能够有效挖掘视觉信息、多模态信息以及样本间的相关性信息，提高地基云分类正确率。
-
公开(公告)号：CN110321862A
公开(公告)日：2019-10-11
申请号：CN201910614505.X
申请日：2019-07-09
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于紧致三元损失的行人再识别方法，该方法包括：将训练集行人图像输入预训练深度学习模型，得到第一行人图像特征；根据紧致三元损失函数计算第一行人图像特征的紧致三元损失；对第一行人图像特征进行归一化，得到第二行人图像特征；根据交叉熵损失函数计算第二行人图像特征的交叉熵损失；结合紧致三元损失和交叉熵损失，优化行人再识别网络框架；基于优化行人再识别网络框架进行行人识别。本发明充分利用紧致三元损失与交叉熵损失的优势，联合两种损失来执行多任务操作、学习行人特征，进一步提高了行人再识别的匹配正确率。
-
公开(公告)号：CN109034044A
公开(公告)日：2018-12-18
申请号：CN201810800511.X
申请日：2018-07-20
申请人： 天津师范大学
CPC分类号： G06K9/00362 , G06N3/0454 , G06N3/08
摘要： 本发明实施例公开了一种基于融合卷积神经网络的行人再识别方法，该方法包括：构建融合卷积神经网络；对训练行人图像进行预处理，输入融合卷积神经网络得到卷积激活图；执行整体池化得到训练行人图像的整体特征，执行局部水平池化得到局部特征；对整体特征和局部特征分别进行学习优化，对融合卷积神经网络进行训练；将测试行人图像预处理后输入至融合卷积神经网络，提取测试行人图像的整体特征和局部特征得到最终特征；在测试集中搜索与最终特征匹配的行人图像作为目标图像，进而得到行人识别结果。本发明充分利用卷积神经网络的优势，学习行人图像的整体特征和局部特征，最终融合两种特征来表示行人图像，进一步提高了行人再识别的匹配正确率。
-
公开(公告)号：CN107392237A
公开(公告)日：2017-11-24
申请号：CN201710556687.0
申请日：2017-07-10
申请人： 天津师范大学
摘要： 本发明实施例公开了一种基于迁移视觉信息的交叉域地基云图分类方法，该方法包括：对来自源域和目标域的多幅输入地基云图预处理得到训练地基云图；将训练地基云图划分为多个图像块，并在每个图像块中稠密提取特征得到图像块的特征向量集合；对所有特征向量进行最大化抽取，得到训练地基云图的迁移特征向量；基于迁移特征向量进行加权度量学习，得到距离函数，并在最近邻分类器上使用该距离函数得到地基云图分类器；获取来自源域和目标域的测试地基云图的迁移特征向量，输入至地基云图分类器得到地基云图类别识别结果。本发明能有效挖掘显著特征信息，充分考虑来自源域和目标域的样本对以及每个类别的样本对数量，提高交叉域地基云图分类的正确率。
-
公开(公告)号：CN106529547A
公开(公告)日：2017-03-22
申请号：CN201610896785.4
申请日：2016-10-14
申请人： 天津师范大学
IPC分类号： G06K9/46
CPC分类号： G06K9/4647
摘要： 本发明实施例公开了一种基于完备局部特征的纹理识别方法，属于模式识别技术领域。所述方法包括以下步骤：计算训练灰度纹理图像的幅值直方图hm、符号直方图hs和中心编码直方图hc；基于所述直方图形成纹理识别特征向量，利用支持向量机进行训练，得到纹理识别分类模型；获取测试灰度纹理图像的纹理识别特征向量，输入至纹理识别分类模型，得到纹理识别结果。本发明通过利用变换矩阵对灰度纹理图像进行处理，达到自适应环境的目的，从而提高纹理识别的鲁棒性。
-
公开(公告)号：CN111191704B
公开(公告)日：2023-05-02
申请号：CN201911347193.7
申请日：2019-12-24
申请人： 天津师范大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084
摘要： 本发明实施例公开了一种基于任务图卷积网络的地基云分类方法，该方法包括：对输入地基云图像进行预处理，得到预处理地基云图像，将其输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；基于任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征、基于图卷积的特征和融合特征表示；根据融合特征表示训练支持向量机分类器，得到地基云分类模型；获取测试输入地基云图像的融合特征表示，将其输入至地基云分类模型中，得到分类结果。本发明具充分利用基于卷积神经网络的特征和基于图卷积网络的互补信息，有效挖掘两者的相关性，提取出更高辨别性的融合特征，进而提高地基云分类的正确率。
-
-
-
-
-
-
-
-
-
搜索结果
84 条记录 (耗时 0.033 秒)
