-
公开(公告)号：CN118262349A
公开(公告)日：2024-06-28
申请号：CN202410121187.4
申请日：2024-01-29
申请人： 中国科学院大学
IPC分类号： G06V20/64 , G06V10/40 , G06V10/82 , G06V10/30 , G06N3/0464 , G06N3/084 , G06N3/0499
摘要： 本发明公开了一种基于贝塔分布射线去噪的三维物体检测方法，包括：提取多目图像的图像特征；为多目图像中每一个像素进行位置编码，将位置编码与对应像素的图像特征叠加，获得具有三维感知能力的图像特征；构建从相机光学中心指向物体中心的射线，将物体的三维坐标投影到视锥体空间，得到物体的深度；在射线上采样得到不同的参考点，将参考点的噪声与物体的深度叠加，获得带噪深度；将参考点进行编码，得到射线查询特征，将射线查询特征、带噪深度与具有三维感知能力的图像特征一起输入解码器中，输出图像中目标的预测信息并进行去噪。本发明公开的方法，可以抑制在同一条射线上进行重复预测的行为，提高了对图片中物体的深度感知能力。
-
公开(公告)号：CN114399790B
公开(公告)日：2022-11-18
申请号：CN202111676773.8
申请日：2021-12-31
申请人： 中国科学院大学
摘要： 本发明公开了一种基于非配准多模态数据的微小人物检测方法、一种计算机可读存储介质和一种计算机设备，所述方法包括训练检测模型用以进行微小人物检测的步骤，检测模型按照包括以下步骤的方法获得：步骤1，建立非配准多模态数据集；步骤2，对数据集中的图像进行配对采样；步骤3，获得图像的多模态特征；步骤4，对多模态特征进行融合；步骤5，对融合特征进行微调。本发明公开的基于非配准多模态数据的微小人物检测方法，消除了基于复杂传感器和大量人力的多模态图像配准的要求，可以直接使用非配准的多模态数据进行人物检测，且检测性能优越。
-
公开(公告)号：CN112001428A
公开(公告)日：2020-11-27
申请号：CN202010778936.2
申请日：2020-08-05
申请人： 中国科学院大学
摘要： 本发明公开了一种基于特征匹配优化的无锚框目标检测网络训练方法，所述训练方法包括以下步骤：步骤1，获取待检测图像的目标检测特征图；步骤2，根据特征图，获得所有特征对应的预测框坐标和分类；步骤3，进行特征与目标、背景的匹配。本发明提供的基于特征匹配优化的无锚框目标检测网络训练方法，优化了对长条、密集目标的特征表示，提高了目标检测模型网络的性能，对单阶段和双阶段目标检测器的训练具有重要意义，对于自然场景、医学、遥感等领域的视觉目标检测具有应用价值。
-
公开(公告)号：CN111506773A
公开(公告)日：2020-08-07
申请号：CN202010214485.X
申请日：2020-03-24
申请人： 中国科学院大学
IPC分类号： G06F16/75 , G06F16/783 , G06K9/62 , G06N3/04 , G06N3/08 , H04N21/234 , H04N21/44
摘要： 本发明公开了一种基于无监督深度孪生网络的视频去重方法，其实现过程为：采用孪生卷积神经网络模型，通过图片的相似性学习图片的表示。孪生网络模型以一对内容相似的图片作为正样本，一对内容不同的图片作为负样本，并利用对照比损失约束，驱动模型学习对内容相似性具有判别力的特征。然后，利用训练学习的网络模型对视频图像帧进行特征描述，用于视频图像去重。采用启发式的Dijkstra相似度进行相似图片聚类并去除重复的视频图像帧，达到高速提取视频关键帧的目的。本方法基于无监督局部度量学习，不需要人工标注样本，具有一定实用性和扩展性，去重算法不依赖于聚类中心个数，只需处理关键视频图像帧，可以应用于复杂视频任务的预处理过程。
-
公开(公告)号：CN110717534A
公开(公告)日：2020-01-21
申请号：CN201910941413.2
申请日：2019-09-30
申请人： 中国科学院大学
摘要： 本发明提供了一种基于网络监督的目标分类和定位方法，包括以下步骤：根据待测目标的类别自动从搜索引擎获取大量网络图像数据；过滤去除噪声图像，形成训练样本集；初步构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行特征提取，将特征分类，并得到目标物体的位置信息，实施对分类和定位网络的训练。本发明中该端到端的基于网络监督的精细分类与定位方法，利用海量易获取的网络图像作为训练集，完全去除人工标注，仅使用图像级别标签，设计一个高效的卷积网络，融入全局平均池化和类激活映射图等算法，使得本发明在精细分类任务及定位任务上性能超越弱监督学习方法。
-
公开(公告)号：CN110689081A
公开(公告)日：2020-01-14
申请号：CN201910942565.4
申请日：2019-09-30
申请人： 中国科学院大学
摘要： 本发明提供了一种基于分歧学习的弱监督目标分类和定位方法，实现过程为：构建训练样本集；基于层次分歧激活模块或者层次分歧激活模块-差异性分歧激活模块构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行多尺度的目标特征提取；设计损失函数，根据损失函数计算梯度，对整个卷积层网络进行梯度反传，并更新卷积层网络参数，实现网络的优化。本发明方法提出了两种分歧学习形式：差异分歧学习和层次分歧学习，两种分歧学习从不同的角度挖掘目标的定位信息，最终激活出完整的目标区域，该方法能够发现目标的互补和具有辨别力的视觉模式，能够在精确目标定位的同时保持图像分类的高性能，具有非常好的实用性和扩展性。
-
公开(公告)号：CN104717468B
公开(公告)日：2018-09-14
申请号：CN201510100197.0
申请日：2015-03-06
申请人： 中国科学院大学
摘要： 本发明公开了一种基于集群轨迹分类的集群场景智能监控方法及系统，所述方法包括：首先，采用关键点跟踪算法获取监控视频中运动目标的运动轨迹；然后采用全局一致马尔科夫随机场模型的生成树算法，对具有时空一致性的片段轨迹进行连接，得到完整的轨迹树；接下来，采用基于置信的关联主题模型学习轨迹树的中层特征并对其进行重描述；再接着，基于中层特征的描述的轨迹树，采用多类支持向量机分类器对轨迹树进行分类；最后，利用基于置信的关联主题模型和多类支持向量机分类器训练的模型，采用最小信息熵算法对每一条片段轨迹进行分类。本发明设计了一套完整的集群场景中的智能监控系统，代替人工对集群场景监控视频的分析，节约人力资源，系统鲁棒性好。
-
公开(公告)号：CN114399790A
公开(公告)日：2022-04-26
申请号：CN202111676773.8
申请日：2021-12-31
申请人： 中国科学院大学
摘要： 本发明公开了一种基于非配准多模态数据的微小人物检测方法、一种计算机可读存储介质和一种计算机设备，所述方法包括训练检测模型用以进行微小人物检测的步骤，检测模型按照包括以下步骤的方法获得：步骤1，建立非配准多模态数据集；步骤2，对数据集中的图像进行配对采样；步骤3，获得图像的多模态特征；步骤4，对多模态特征进行融合；步骤5，对融合特征进行微调。本发明公开的基于非配准多模态数据的微小人物检测方法，消除了基于复杂传感器和大量人力的多模态图像配准的要求，可以直接使用非配准的多模态数据进行人物检测，且检测性能优越。
-
公开(公告)号：CN113177576B
公开(公告)日：2022-02-22
申请号：CN202110352225.3
申请日：2021-03-31
申请人： 中国科学院大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/778 , G06K9/62 , G06N3/08
摘要： 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。
-
公开(公告)号：CN113177576A
公开(公告)日：2021-07-27
申请号：CN202110352225.3
申请日：2021-03-31
申请人： 中国科学院大学
摘要： 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。
-
-
-
-
-
-
-
-
-
搜索结果
37 条记录 (耗时 0.032 秒)
