-
公开(公告)号：CN110188835B
公开(公告)日：2021-03-16
申请号：CN201910483958.3
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法，包括使用Mask‑RCNN图像分割算法分割出图像中行人的掩膜图像；结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像；使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；将真实图像和假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能。本发明设计合理，利用生成式对抗网络生成更多的训练样本，同时生成的图像背景能够有效地表示相对应摄像头下的真实场景，有效提高行人再识别模型的鲁棒性和判决能力，有效提高了行人再识别的准确率。
-
公开(公告)号：CN110070073A
公开(公告)日：2019-07-30
申请号：CN201910373780.7
申请日：2019-05-07
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制的全局特征和局部特征的行人再识别方法，包括：分别提取行人的全局特征和局部特征；在全局特征分支中，以整个行人特征图像作为输入，并将其送入空间注意力机制模块和通道注意力机制模块，将两个模块的特征表示进行融合；在局部特征分支中，把行人特征图水平平均分割为三部分，将分割的三部分输入到通道注意力机制模块得到每一部分的局部特征；将全局特征和局部特征送入特征向量提取模块，得到用于行人预测的特征向量；对整体网络进行训练，得到行人再识别模型。本发明充分利用行人图像的全局特征和局部特征，有效融合了注意力机制，使行人特征更具有判别力，获得了良好的行人再识别结果，提高了模型匹配准确率。
-
公开(公告)号：CN110210608B
公开(公告)日：2021-03-26
申请号：CN201910483957.9
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
-
公开(公告)号：CN110188835A
公开(公告)日：2019-08-30
申请号：CN201910483958.3
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法，包括使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像；结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像；使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；将真实图像和假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能。本发明设计合理，利用生成式对抗网络生成更多的训练样本，同时生成的图像背景能够有效地表示相对应摄像头下的真实场景，有效提高行人再识别模型的鲁棒性和判决能力，有效提高了行人再识别的准确率。
-
公开(公告)号：CN110210608A
公开(公告)日：2019-09-06
申请号：CN201910483957.9
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
-
Patent Agency Ranking
公开(公告)号：CN118674663A
公开(公告)日：2024-09-20
申请号：CN202410579341.2
申请日：2024-05-10
Applicant: 北京邮电大学
IPC: G06T5/90 , G06T5/77 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于HSV色彩空间的多曝光高动态范围图像重建方法。所述方法包括将多曝光低动态范围图像进行伽玛校正，得到的伪高动态范围图像从RGB色彩空间转换到HSV色彩空间，并进行裁剪；将不同曝光对应图像的明度分量送入亮度分支网络，对于动态场景下多曝光图像不对齐的问题，基于注意力机制消除鬼影，得到预测的V通道图像；同时将中等曝光图像的色调和饱和度分量送入色度分支网络，设计多级结构，基于编解码模型分别学习两种色度信息特征，并利用轻量网络学习两者之间的关联特征，得到预测的H和S通道图像；最终重建的三个通道图像拼接后转换到RGB色彩空间，得到高质量的高动态范围重建图像。本发明模拟人眼视觉感知特性，从源头上剔除特征学习过程中的冗余信息，在保证高动态范围图像重建视觉效果的基础上，实现了模型轻量化。
-
公开(公告)号：CN113159173B
公开(公告)日：2024-04-26
申请号：CN202110427314.X
申请日：2021-04-20
Applicant: 北京邮电大学
IPC: G06V10/774 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种结合剪枝与知识蒸馏的卷积神经网络模型压缩方法。该方法包括：获取图像训练集A；获取目标网络模型，对其包含的每个通道引入缩放因子γ；对目标网络模型进行训练，将训练后的模型作为教师网络；按照缩放因子γ的绝对值大小对教师网络的通道数剪枝，将剪枝后的模型视为学生网络；获取图像训练集A中少量图像，同时输入教师、学生网络，分别计算教师、学生网络各卷积层通道输出的特征图之间的分布差异；将分布差异作为损失函数，对学生网络进行训练，使其模型精度快速恢复至教师网络的水平；输出训练后的学生网络。本发明具有压缩率高、快速恢复压缩模型精度的优势，从而便于网络模型在终端设备上的部署。
-
公开(公告)号：CN108960140B
公开(公告)日：2021-04-27
申请号：CN201810721690.8
申请日：2018-07-04
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于多区域特征提取和融合的行人再识别方法，利用残差网络提取全局特征，并在训练阶段增加一个用于全局特征提取和优化的行人身份分类模块；构造用于局部特征提取的多区域特征提取子网络，并将各局部特征进行加权融合；设置包括分类模块损失和特征融合模块损失的损失函数；对网络进行训练，得到模型提取查询集和测试集的特征向量；在度量阶段，利用交叉近邻方法对特征距离进行重新度量。本发明设计合理，有效结合了全局特征和局部特征，在距离度量方法上进行优化，获得了很好的行人再识别结果，使得系统整体匹配准确率大大提升。
-
公开(公告)号：CN107886116B
公开(公告)日：2021-03-26
申请号：CN201711033084.9
申请日：2017-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种针对视频数据行人再识别的LOMO3D特征提取方法，其技术特点是：将视频数据中的各帧分离出来，组织成图像序列的形式，并分割为一定长度的等长序列；将每个序列水平分割为若干扁平区域，并在这些区域中进一步划分子块，作为直方图统计的最小单位；对于每个子块，统计形成纹理直方图特征和HSV色域下的颜色直方图特征；将每个水平区域中的纹理和颜色直方图特征根据最大化原则进行整合并进行拼合，得到最终的LOMO3D特征描述子。本发明设计合理，充分利用了图像序列中的时空特征和时间信息，使得特征的描述能力性能远远高于单纯的空间域特征，试验表明本发明能够使得系统整体匹配率大大提升，优于目前其他的行人再识别算法。
-
公开(公告)号：CN106656578B
公开(公告)日：2019-10-18
申请号：CN201611055837.1
申请日：2016-11-25
Applicant: 北京邮电大学
IPC: H04L12/24
Abstract: 本发明提供一种基于最小堆的软件定义网络扩展方法，利用软件定义网络中控制器能获取网络拓扑结构的特点将全网构造成一个或多个最小堆；利用最小堆的插入算法可将新加入的网络节点与原有堆合并至一个堆，从而实现网络的扩展；利用最小堆的堆合并算法可将新加入的堆与原有堆合并至一个堆，从而实现网络的扩展。通过优化软件定义网络的数据结构，在网络扩展中采用最小堆，利用最小堆的特点可灵活的向网络中添加节点或多个节点形成的堆，并且基于最小堆优化的路由算法明显降低了时间复杂度。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.059 seconds)
