一种用于有向目标检测的动态标签分配方法

    公开(公告)号:CN117934810A

    公开(公告)日:2024-04-26

    申请号:CN202311761387.8

    申请日:2023-12-20

    发明人: 魏丹 魏聪聪 江磊

    摘要: 本发明涉及机器学习的技术领域,公开了一种用于有向目标检测的动态标签分配方法,依据特征图上各个有向目标标注框的中心点所在像素单元格的位置信息以及对应有向目标标注框的角度信息,筛选出多个候选样本;构建预测损失计算模型,计算各个特征图中每个候选样本的预测损失;采用OTA标签分配算法中的动态K值估计方法从候选样本中选取正样本参与目标检测网络后续的LOSS计算,以反向传播优化目标检测网络的参数。

    一种融合Transformer的遥感图像语义分割方法

    公开(公告)号:CN117496146A

    公开(公告)日:2024-02-02

    申请号:CN202311459776.5

    申请日:2023-11-03

    发明人: 魏丹 吴龙飞 江磊

    摘要: 本发明公开了一种融合Transformer的遥感图像语义分割方法,以双分支自注意力模块DBSB代替视觉金字塔注意力机制模型PVT中每一层网络的SRA模块构建编码器,对输入图像进行编码生成不同尺度的多个编码特征图,双分支自注意力模块DBSB用于提取输入图像的全局上下文信息和局部上下文信息;将多个前景背景平衡模块FBBM串行排列构建解码器,所述解码器的每层网络均由一个前景背景平衡模块FBBM组成,对编码器生成的各个编码特征图逐一进行解码,完成输入图像的语义分割,其中,所述前景背景平衡模块FBBM用于从浅层网络和深层网络产生的特征图中抽取采样点,结合亲和度计算,得到高语义高分辨率特征图。

    一种基于网格划分骨骼的行为预测方法

    公开(公告)号:CN112052786A

    公开(公告)日:2020-12-08

    申请号:CN202010913366.3

    申请日:2020-09-03

    IPC分类号: G06K9/00 G06N3/04

    摘要: 本发明涉及一种基于网格划分骨骼的行为预测方法,预测结果包括下一帧中各关节点的运动类型,下一帧中各关节点的运动类型的确定过程为:首先对测试视频帧进行密集网格划分,并根据划分网格的图像特点判断出密集网格中心o作为固定关节点;然后根据行人骨架特征点的分布特征及其与行人运动姿态的内涵关系规定多个关节点作为关键关节点;接着学习规定的各个关节点到o的距离度量特征和角度度量特征,并将二者关联得到行人的行为特征;最后计算下一帧中各关节点对应各运动类型的概率,确定下一帧中各关节点的运动类型。本发明的预测方法较为简单,能够准确预测下一帧中各关节点的运动类型,同时不需要大量的训练样本对模型框架进行训练。

    一种画笔清洗装置
    4.
    发明公开

    公开(公告)号:CN109866549A

    公开(公告)日:2019-06-11

    申请号:CN201910221529.9

    申请日:2019-03-22

    IPC分类号: B44D3/00 B43K13/02

    摘要: 本发明属于美术工具清洗技术领域,具体涉及一种画笔清洗装置,包括顶端开口的箱体,及设置在箱体内的电源、单片机、限位单元、供液单元、淋洗单元和揉搓单元,电源分别连接单片机、限位单元、供液单元和揉搓单元,提供运转所需电能;单片机的驱动模块分别连接限位单元、供液单元和揉搓单元,控制限位单元、供液单元和揉搓单元的运转;供液单元连通淋洗单元,提供淋洗单元淋洗用水和/或清洗剂;箱体的底面上设置排水孔,排水孔连通排水管。该装置及时、快速、精准的完成自动化清洗,操作便捷,一次清洗大批量画笔,并同时完成油溶性颜料和水溶性颜料的清洗,节约时间和资源,清洗效率高,不产生多余污染物,防飞溅,不损害健康,节能环保。

    一种基于热力图和关键点回归的深度车牌检测方法

    公开(公告)号:CN108090423A

    公开(公告)日:2018-05-29

    申请号:CN201711250682.1

    申请日:2017-12-01

    摘要: 一种基于热力图和关键点回归的深度车牌检测方法,包括离线学习阶段和检测阶段,离线学习阶段包括以下四个步骤:(1)设计网络深度:设计深度学习网络结构,将输入图像调整统一,对图像进行第一层卷积和激活函数操作,再进行第二层卷积、激活函数和池化操作,然后进行第三层卷积、激活函数和池化操作,然后形成多任务分支,一个分支通过一个卷积层学习车牌坐标,另一个分支通过另一个卷积层学习车牌热力图;(2)准备训练样本集:获取一批车头或车尾图像作为离线学习的样本集,样本总类数越多,训练效果越好,并对样本大小统一化;本方法利用离线训练的深度网络表征目标,达到快速、稳定的对目标物进行车牌检测的目的。

    一种行人再识别方法
    6.
    发明公开

    公开(公告)号:CN118522030A

    公开(公告)日:2024-08-20

    申请号:CN202410229366.X

    申请日:2024-02-29

    摘要: 本发明属于行人再识别领域,具较高的鲁棒性,而且也大大提升了行人再识别的准确性,公开了一种行人再识别方法,首先将库标识、照片补丁以及位置标识结合,形成识别补丁;然后基于稀疏化处理获取识别补丁的带分类特征令牌,基于带分类特征令牌得到初始识别特征;接着将初始识别特征分成多个融合特征段,将多个融合特征段分成两组,将每组融合特征段进行叠加操作得到融合识别特征,基于融合识别特征得到中间识别特征;接着基于中间识别特征得到多个切片特征段,基于多个切片特征段得到多个切片特征块;最后基于多个切片特征块得到识别特征序列,基于序列内特征组得到最终识别特征和最终识别特征,基于最终识别特征监督对预定行人进行再识别。

    一种行人重识别方法
    7.
    发明公开

    公开(公告)号:CN115830344A

    公开(公告)日:2023-03-21

    申请号:CN202211562610.1

    申请日:2022-12-07

    摘要: 本发明涉及一种行人重识别方法,将多张具有同一人物的行人图像输入构建并训练好的网络模型中,生成行人特征,完成行人再识别,所述网络模型包括姿态估计网络分支、FAN网络分支和特征融合分支,行人图像经姿态估计网络分支处理后,生成包含行人关节点信息的关节点特征图,行人图像经FAN网络分支处理后,生成包含背景信息、聚焦行人的融合特征图,关节点特征图和融合特征图输入特征融合分支进行融合后,生成行人的部分特征或全局特征,完成对行人的重识别。与现有技术相比,本发明适用于所有场景下的行人重识别,尤其可以解决局部式及遮挡式两类遮挡场景下的行人重识别问题。

    一种基于无监督跨摄像机聚类对比行人重识别方法

    公开(公告)号:CN114863154A

    公开(公告)日:2022-08-05

    申请号:CN202210335105.7

    申请日:2022-03-31

    摘要: 本发明属于机器视觉的技术领域,公开了一种基于无监督跨摄像机聚类对比行人重识别方法,包括以下步骤:步骤一、通过摄像机标准化处理将训练集的图像转换为由同一标准摄像机拍摄得到的图像,利用带有CIBN层的卷积神经网络进行特征提取,然后对提取的特征进行聚类分析,生成伪标签,并保存在字典中,所述CIBN层设置为线性融合的BN层和IN层,以替代卷积神经网络中原有的BN层,提升整个卷积神经网络的泛化性;步骤二、对待检图像先进行摄像机标准化处理,再用带有CIBN层的卷积神经网络进行特征提取,然后对提取的特征进行聚类分析,最后将聚类分析的结果与字典里的类别做比较,输出检测结果。

    一种基于人体骨骼相互学习的行人再识别方法

    公开(公告)号:CN109993116B

    公开(公告)日:2022-02-11

    申请号:CN201910252915.4

    申请日:2019-03-29

    摘要: 本发明涉及一种基于人体骨骼相互学习的行人再识别方法,包括:(1)采用自下而上的方法估计行人姿势和骨架,并在此过程中标记行人的关节点,使用关节点分割法进行局部分割行人并执行局部块匹配;(2)通过自下而上方法以行人2D骨架为基础估计所述关节点距离来学习全局骨架信息,并执行全局骨架匹配;(3)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习,并分别训练分类损失和度量损失,将得到的相互学习损失分摊到全局特征匹配中,作为先验经验来指导和纠正全局匹配错误。与现有技术相比,本发明具有影响因素少、局部匹配准确性提升、识别准确率更高等优点。

    一种基于热力图和关键点回归的深度车牌检测方法

    公开(公告)号:CN108090423B

    公开(公告)日:2021-06-29

    申请号:CN201711250682.1

    申请日:2017-12-01

    摘要: 一种基于热力图和关键点回归的深度车牌检测方法,包括离线学习阶段和检测阶段,离线学习阶段包括以下四个步骤:(1)设计网络深度:设计深度学习网络结构,将输入图像调整统一,对图像进行第一层卷积和激活函数操作,再进行第二层卷积、激活函数和池化操作,然后进行第三层卷积、激活函数和池化操作,然后形成多任务分支,一个分支通过一个卷积层学习车牌坐标,另一个分支通过另一个卷积层学习车牌热力图;(2)准备训练样本集:获取一批车头或车尾图像作为离线学习的样本集,样本总类数越多,训练效果越好,并对样本大小统一化;本方法利用离线训练的深度网络表征目标,达到快速、稳定的对目标物进行车牌检测的目的。