-
公开(公告)号：CN109753946A
公开(公告)日：2019-05-14
申请号：CN201910063682.3
申请日：2019-01-23
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法，属于计算机视觉行人检测技术领域。所述检测网络包括超分辨率网络、关键点检测网络和行人分类网络：所述检测方法首先准备训练样本，然后，利用基准行人检测器产生候选区域图像，通过超分辨率网络生成与低分辨率图像对应的高分辨率图像，根据行人身体关键点来监督训练超分辨率网络，最后利用行人分类网络判定输入的图像是真实的高分辨率图像还是超分辨率网络生成的超分辨率图像，同时实现与超分辨率网络的对抗训练，以及用于判定输入的图像是行人图像还是背景图像，进而完成真实场景中行人小目标的检测。使用所述方法可以实现真实场景中的微小行人检测。
-
公开(公告)号：CN108334847A
公开(公告)日：2018-07-27
申请号：CN201810119263.2
申请日：2018-02-06
申请人： 哈尔滨工业大学
摘要： 本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN109145958B
公开(公告)日：2019-11-08
申请号：CN201810842331.8
申请日：2018-07-27
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
公开(公告)号：CN108334848B
公开(公告)日：2020-12-25
申请号：CN201810119264.7
申请日：2018-02-06
申请人： 哈尔滨工业大学
摘要： 本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN109766868B
公开(公告)日：2020-12-11
申请号：CN201910063662.6
申请日：2019-01-23
申请人： 哈尔滨工业大学
IPC分类号： G06K9/00
摘要： 本发明提出了一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法，属于计算机视觉的行人检测技术领域。所述检测网络包括关键点检测网络、身体区域分割和图像合成模块以及行人分类网络。所述检测方法为：利用行人检测数据库训练生成基准行人检测器，通过基准行人检测器获取候选区域图像。通过关键点检测网络检测候选区域图像中人体身体的关键点信息，将关键点信息作为身体关键点真值，进而训练关键点检测网络。利用身体区域分割和图像合成模块获得合成图像；将合成图像输入至行人分类网络中指导训练行人分类网络。行人分类网络根据输入的合成图像判别输入图像是行人图像还是背景图像，完成真实场景中遮挡行人的检测。
-
公开(公告)号：CN109766868A
公开(公告)日：2019-05-17
申请号：CN201910063662.6
申请日：2019-01-23
申请人： 哈尔滨工业大学
IPC分类号： G06K9/00
摘要： 本发明提出了一种基于身体关键点检测的真实场景遮挡行人检测网络及其检测方法，属于计算机视觉的行人检测技术领域。所述检测网络包括关键点检测网络、身体区域分割和图像合成模块以及行人分类网络。所述检测方法为：利用行人检测数据库训练生成基准行人检测器，通过基准行人检测器获取候选区域图像。通过关键点检测网络检测候选区域图像中人体身体的关键点信息，将关键点信息作为身体关键点真值，进而训练关键点检测网络。利用身体区域分割和图像合成模块获得合成图像；将合成图像输入至行人分类网络中指导训练行人分类网络。行人分类网络根据输入的合成图像判别输入图像是行人图像还是背景图像，完成真实场景中遮挡行人的检测。
-
公开(公告)号：CN108334847B
公开(公告)日：2019-10-22
申请号：CN201810119263.2
申请日：2018-02-06
申请人： 哈尔滨工业大学
摘要： 本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
公开(公告)号：CN109145958A
公开(公告)日：2019-01-04
申请号：CN201810842331.8
申请日：2018-07-27
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
公开(公告)号：CN108334848A
公开(公告)日：2018-07-27
申请号：CN201810119264.7
申请日：2018-02-06
申请人： 哈尔滨工业大学
CPC分类号： G06K9/00228 , G06K9/00288 , G06K9/6256 , G06N3/0454 , G06N3/08 , G06T3/4007 , G06T3/4076 , G06T2207/20081 , G06T2207/20084 , G06T2207/30201
摘要： 本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.025 秒)
