-
公开(公告)号：CN109145921B
公开(公告)日：2021-04-09
申请号：CN201810992323.1
申请日：2018-08-29
申请人： 江南大学 , 新疆天山智汇信息科技有限公司
摘要： 本发明是一种基于改进的直觉模糊C均值聚类的图像分割方法，属于图像分割领域。该方法首先提出一个改进的非隶属度函数用来生成直觉模糊集，并提出一种基于灰度特征的方法来确定初始聚类中心，突出了直觉模糊集中不确定性的作用并提高了对噪声的鲁棒性。其次利用改进的非线性函数将数据映射到核空间，以便更精确地度量数据点与聚类中心之间的距离。然后引入局部空间‑灰度信息，同时考虑隶属度、灰度特征和空间位置信息。最后改进目标函数中的直觉模糊熵，并兼顾直觉模糊集的模糊性与直觉性。本发明可有效克服图像中噪声和模糊对算法的影响，提高算法的分割性能、像素聚类性能及鲁棒性，适用于各种不同类型的灰度图像，可获得更精确的分割结果。
-
公开(公告)号：CN109145921A
公开(公告)日：2019-01-04
申请号：CN201810992323.1
申请日：2018-08-29
申请人： 江南大学 , 新疆天山智汇信息科技有限公司
CPC分类号： G06K9/342 , G06K9/6215 , G06K9/6222
摘要： 本发明是一种基于改进的直觉模糊C均值聚类的图像分割方法，属于图像分割领域。该方法首先提出一个改进的非隶属度函数用来生成直觉模糊集，并提出一种基于灰度特征的方法来确定初始聚类中心，突出了直觉模糊集中不确定性的作用并提高了对噪声的鲁棒性。其次利用改进的非线性函数将数据映射到核空间，以便更精确地度量数据点与聚类中心之间的距离。然后引入局部空间‑灰度信息，同时考虑隶属度、灰度特征和空间位置信息。最后改进目标函数中的直觉模糊熵，并兼顾直觉模糊集的模糊性与直觉性。本发明可有效克服图像中噪声和模糊对算法的影响，提高算法的分割性能、像素聚类性能及鲁棒性，适用于各种不同类型的灰度图像，可获得更精确的分割结果。
-
公开(公告)号：CN112926323B
公开(公告)日：2024-02-02
申请号：CN202110102206.5
申请日：2021-01-26
申请人： 江南大学
IPC分类号： G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/08 , G06N7/01
摘要： 基于多级残差卷积与注意力机制的中文命名实体识别方法，属于自然语言处理领域。该方法采用联合注意力机制的多级残差卷积网络。针对传统循环神经网络处理序列信息时模型效率低下的问题，本发明引入多级残差卷积，以获得不同范围内的局部上下文信息，并充分利用硬件的计算能力，显著提高模型效率。此外，循环神经网络由于梯度消失和梯度爆炸问题，无法有效地获取全局上下文信息，极大地影响网络的性能。本发明在网络中引入注意力机制，通过构建每个字符与句子之间的关系，计算出每个字符的重要性权重，从而学习全局信息。最终本发明利用条件随机场对字符标签的转移概率进行计算以获得合理的预测结果，进一步提高了命名实体识别(56)对比文件Zhiwei Yang等.Attention-based Multi-level Feature Fusion for Named EntityRecognition.Proceedings of the Twenty-Ninth International Joint Conference onArtificial Intelligence (IJCAI-20).2020,全文.Zhichang Zhang等.Attention-based deepresidual learning network for entityrelation extraction in Chinese EMRs.4thChina Health Information ProcessingConference.2020,全文.
-
公开(公告)号：CN114972417B
公开(公告)日：2023-06-30
申请号：CN202210343596.X
申请日：2022-04-02
申请人： 江南大学
IPC分类号： G06T7/246
摘要： 本发明公开了一种基于动态轨迹量化策略和特征重规划的多目标跟踪方法。该方法采用了一种基于联合检测与跟踪范式的多目标跟踪框架。由于大部分算法将未匹配的检测框初始化为轨迹，并将超过阈值帧数未匹配的轨迹终结，在处理轨迹的开始与结束时忽略了不同质量轨迹之间的差异性，所以本发明提出了一种动态轨迹质量量化策略，通过对每条轨迹进行动态评分显式地表征该轨迹的质量，并根据匹配结果的不同，采用不同的动态更新机制。此外，针对联合检测与跟踪范式中检测和跟踪两个子任务优化冲突问题，本发明设计了一个通道增强特征重规划模块，驱动两个子任务分别学到不同的特征，提高特征的适配性，给动态轨迹量化策略提供更精准的检测结果。
-
公开(公告)号：CN111709306B
公开(公告)日：2023-06-09
申请号：CN202010441559.3
申请日：2020-05-22
申请人： 江南大学
IPC分类号： G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
摘要： 一种基于多层次时空特征融合增强的双流网络行为识别方法。该方法采用了一种基于时空双流网络的网络架构，称作多层次时空特征融合增强网络。针对传统双流网络仅仅在最后层融合两个流的类别概率分布导致浅层特征的作用被忽视以及双流网络的互补特点无法被充分利用的问题，本发明提出多层次时空特征融合模块，在双流不同深度层级通过时空特征融合模块捕获多深度级别的混合特征以充分利用双流网络。此外，在网络中，平等地对待所有特征会削弱那些对分类贡献大的特征的作用。本发明在网络中提出分组增强注意力模块，自动增强特征上的有效区域以及通道的显著性。最终本发明通过汇集双流网络以及特征融合的分类结果，进一步提高了行为识别模型的鲁棒性。
-
公开(公告)号：CN111709351B
公开(公告)日：2023-05-05
申请号：CN202010530501.6
申请日：2020-06-11
申请人： 江南大学
摘要： 基于多径时空特征强化融合的三支流网络行为识别方法。该方法采用一种基于时空双流网络的网络框架，称为多径时空特征强化融合网络。针对双流网络仅融合顶层时空特征导致的双流信息利用不充分、特征融合阶段位于全局采样层之后导致特征融合交互不够的问题，本发明利用压缩双线性算法，对来自双流网络多层对应时空特征进行降维，然后进行融合，在减少融合特征所需内存的同时，增加融合特征之间的交互，增强融合效果。此外，本发明在融合流中提出多尺度通道‑空间注意力模块，对融合特征中有效特征进行增强，对无效特征进行抑制。最后，本发明还结合时间分段网络TSN的思想对视频中长期时间信息进行捕捉，进一步提高了行为识别模型的鲁棒性。
-
公开(公告)号：CN114972417A
公开(公告)日：2022-08-30
申请号：CN202210343596.X
申请日：2022-04-02
申请人： 江南大学
IPC分类号： G06T7/246
摘要： 本发明公开了一种基于动态轨迹量化策略和特征重规划的多目标跟踪方法。该方法采用了一种基于联合检测与跟踪范式的多目标跟踪框架。由于大部分算法将未匹配的检测框初始化为轨迹，并将超过阈值帧数未匹配的轨迹终结，在处理轨迹的开始与结束时忽略了不同质量轨迹之间的差异性，所以本发明提出了一种动态轨迹质量量化策略，通过对每条轨迹进行动态评分显式地表征该轨迹的质量，并根据匹配结果的不同，采用不同的动态更新机制。此外，针对联合检测与跟踪范式中检测和跟踪两个子任务优化冲突问题，本发明设计了一个通道增强特征重规划模块，驱动两个子任务分别学到不同的特征，提高特征的适配性，给动态轨迹量化策略提供更精准的检测结果。
-
公开(公告)号：CN111709331A
公开(公告)日：2020-09-25
申请号：CN202010495916.4
申请日：2020-06-03
申请人： 江南大学
摘要： 一种基于多粒度信息交互模型的行人重识别方法，属于机器视觉领域。该方法采用多粒度网络通过空间分块的方式在保留输入图片特征图的同时将该特征图分为多个尺度的子特征图，并且将原特征图作为全局分支处理，将每个子特征图作为局部分支处理。此外提出了多粒度信息交互模型来促进多个分支之间的信息交互。多粒度信息交互模型包含全局映射注意力模块和标签项互学习模块。全局映射注意力模块负责促进全局分支与局部分支之间的信息交互，标签项互学习模块负责促进多个全局分支之间的信息交互。最终利用多粒度信息交互模型分别促进了全局分支与局部分支以及不同全局分支之间的信息交互，进一步提高了具有多分支网络结构的行人重识别模型的性能。
-
公开(公告)号：CN111354017A
公开(公告)日：2020-06-30
申请号：CN202010142418.1
申请日：2020-03-04
摘要： 一种基于孪生神经网络及平行注意力模块的目标跟踪方法，属于机器视觉领域。包括如下步骤：1、根据视频序列图片中目标的位置及尺寸，裁剪出模板图像和搜索区域图像，构成训练数据集；2、构建孪生网络，孪生网络的基本骨架采用微调后的残差网络；3、在孪生网络的模板分支嵌入平行注意力模块，包括两个平行的通道注意力模块和空间注意力模块；4、基于训练集，构建自适应焦点损失函数，训练带有平行注意力模块的孪生网络，获得训练收敛的网络模型；5、使用训练好的网络模型进行在线跟踪。本发明在跟踪过程中，可以有效应对目标外观变化等问题，提高了跟踪的精度。
-
公开(公告)号：CN107203747A
公开(公告)日：2017-09-26
申请号：CN201710347548.7
申请日：2017-05-17
申请人： 江南大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种基于自适应选择机制的稀疏联合模型目标跟踪方法。构造稀疏的判决模型时，利用特征选择机制提取更具辨识力的特征，并以置信值度量为约束，更好地区分出目标和背景；构造稀疏的生成模型时，结合L1正则化和PCA子空间重构思想，使得目标不仅保留充足外观信息，且可有效抵御离群子干扰，并提出一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解。相较于传统的乘性联合机制，本发明提出了一种基于欧式距离的自适应选择机制，通过分别比较上述两种模型的预测结果与前一帧的跟踪结果的差异，计算偏差，判断模型是否发生退化，并以此构建出更加合理的联合模型评估函数来提升跟踪精度。
-
-
-
-
-
-
-
-
-
搜索结果
72 条记录 (耗时 0.073 秒)
