-
公开(公告)号：CN113378722B
公开(公告)日：2023-04-07
申请号：CN202110657341.6
申请日：2021-06-11
申请人： 西安电子科技大学
IPC分类号： G06V40/20 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/08
摘要： 本发明公开了一种基于3D卷积和多级语义信息融合的行为识别方法及系统，通过3D卷积网络提取视频帧序列的时空特征；为了防止在3D卷积过程中丢失某些对识别出行为类别极为关键的时间语义信息，使用多级语义信息融合模块来聚集3D卷积网络中各个中间层特征所包含的时间语义信息；将提取出的时间语义信息和3D卷积网络所提取的特征进行融合并分类，得到行为类别。本发明利用LSTM网络设计了多级语义信息融合模块，该模块从3D卷积网络所产生的中间特征中提取时间语义信息，并将其和3D卷积网络提取的最终特征进行融合，使网络的分类器接收更多的信息，提升最终的识别准确率。
-
公开(公告)号：CN113378938B
公开(公告)日：2022-12-13
申请号：CN202110657352.4
申请日：2021-06-11
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于边Transformer图神经网络的小样本图像分类方法及系统，引入transformer模型来对图中的边特征进行更新，通过将结点之间的差值特征图拆分成特征块序列输入到transformer模块得到更新后的边特征，使得每一个像素位置会被分配不同的注意力权重以突出关键区域。本发明的思想是利用transformer中的自注意力机制来自动聚焦到用于衡量结点间相似性的关键区域，从而达到抑制背景信息并突出关键区域的目的。本发明在miniImageNet数据集上进行的对比实验证明了本发明可以提高小样本图像分类的精度。
-
公开(公告)号：CN113378937A
公开(公告)日：2021-09-10
申请号：CN202110657337.X
申请日：2021-06-11
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于自监督增强的小样本图像分类方法及系统，自监督学习和小样本学习都是为了缓解模型对标签数据的依赖，本发明在基于图神经网络的小样本学习方法的基础上结合自监督学习提出了一种自监督增强的小样本学习方法，本发明设计一个抠图位置预测的自监督学习任务，将每一个小样本分类任务的所有样本进行随机抠图，在提取样本特征后经过一个全连接层预测每一个样本被抠除图像块的位置。本发明将抠图位置预测任务和小样本分类任务联合训练以增强模型提取有效表征的能力，从而改善模型的分类结果，并通过在miniImageNet上的对比和消融实验证明了本发明的有效性。
-
公开(公告)号：CN113255791A
公开(公告)日：2021-08-13
申请号：CN202110605372.7
申请日：2021-05-31
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于K‑组合均值特征增强的小样本目标检测方法及系统，利用每类K个带标签样本的标签信息，得到对应的特征，通过对这K个目标的特征进行组合平均，为每个组合计算平均特征。然后将这些平均特征添加到原有特征样本集合中，增加特征样本的数量。在微调阶段，除了新类带标签样本对分类和回归器进行微调外，还使用增加后的特征样本集合对分类器进行微调。实验结果证明通过基于K‑组合均值的特征增强方法，通过增加特征样本的数量，为分类器提供了更多的特征样本，缓解了模型的过拟合问题，提升了基于微调的小样本目标检测模型的检测精度。
-
公开(公告)号：CN113255787A
公开(公告)日：2021-08-13
申请号：CN202110603017.6
申请日：2021-05-31
申请人： 西安电子科技大学
IPC分类号： G06K9/62 , G06F40/284 , G06F40/30 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于语义特征和度量学习的小样本目标检测方法及系统，将查询图对应的类别语义名称作为知识，使用自然语言处理领域的word2vec工具计算对应的词向量作为语义特征，并与查询图的图像特征进行融合。通过将语义特征嵌入视觉域中，利用同类别目标在语义空间中具有的语义一致性，减少同类别目标间的距离，利用不同语义类别目标在语义空间中具有的语义差异性，增加不同类目标之间的距离，缓解现有基于度量学习的小样本目标检测模型出现的不同类别但外观视觉较相似目标的错检问题和相同语义类别但外观视觉差异较大的漏检的问题，提升在基类与新类上的检测精度。
-
公开(公告)号：CN113239866A
公开(公告)日：2021-08-10
申请号：CN202110603019.5
申请日：2021-05-31
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于时空特征融合与样本注意增强的人脸识别方法及系统，通过人脸检测得到视频中特定目标人脸序列并对其进行评分；使用时间序列处理算法ConvGRU对人脸序列进行时间特征提取；从人脸序列中选出分数最高的图像作为关键帧；送入到Resnet50网络中提取出三种不同深度的特征图，使用空间特征融合算法ASFF计算得到空间特征；最后，将上述得到的时间特征和空间特征在通道维度上拼接后送入全局平均池化层和全连接层，使用提出的ADAM‑Softmax损失函数对模型进行训练；由于ADAM‑Softmax损失函数能够自适应增强对类内差异性较大样本的注意，从而使得模型在快速收敛同时也能达到较高识别准确率。
-
公开(公告)号：CN113420642A
公开(公告)日：2021-09-21
申请号：CN202110686586.1
申请日：2021-06-21
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于类别语义特征重加权的小样本目标检测方法及系统，使用类别标签的语义信息计算出基类和新类类别之间的关联性，然后根据基类和新类之间的关联程度，使用图卷积网络将基类的元特征传递给新类的元特征，使在只有少量新类数据的情况下学习到较好的新类元特征。本发明按照基类和新类类别构造支持集和查询样本；根据基类和新类类别构造类别语义图；构造类别语义嵌入模块；使用两阶段的训练方式对整个网络进行训练，该网络包括特征提取器、元学习器、类别语义嵌入模块和检测层，在PASCAL VOC上的对比实验证明了本发明的有效性。
-
公开(公告)号：CN113378722A
公开(公告)日：2021-09-10
申请号：CN202110657341.6
申请日：2021-06-11
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于3D卷积和多级语义信息融合的行为识别方法及系统，通过3D卷积网络提取视频帧序列的时空特征；为了防止在3D卷积过程中丢失某些对识别出行为类别极为关键的时间语义信息，使用多级语义信息融合模块来聚集3D卷积网络中各个中间层特征所包含的时间语义信息；将提取出的时间语义信息和3D卷积网络所提取的特征进行融合并分类，得到行为类别。本发明利用LSTM网络设计了多级语义信息融合模块，该模块从3D卷积网络所产生的中间特征中提取时间语义信息，并将其和3D卷积网络提取的最终特征进行融合，使网络的分类器接收更多的信息，提升最终的识别准确率。
-
公开(公告)号：CN113378937B
公开(公告)日：2023-08-11
申请号：CN202110657337.X
申请日：2021-06-11
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于自监督增强的小样本图像分类方法及系统，自监督学习和小样本学习都是为了缓解模型对标签数据的依赖，本发明在基于图神经网络的小样本学习方法的基础上结合自监督学习提出了一种自监督增强的小样本学习方法，本发明设计一个抠图位置预测的自监督学习任务，将每一个小样本分类任务的所有样本进行随机抠图，在提取样本特征后经过一个全连接层预测每一个样本被抠除图像块的位置。本发明将抠图位置预测任务和小样本分类任务联合训练以增强模型提取有效表征的能力，从而改善模型的分类结果，并通过在miniImageNet上的对比和消融实验证明了本发明的有效性。
-
公开(公告)号：CN113283513B
公开(公告)日：2022-12-13
申请号：CN202110603033.5
申请日：2021-05-31
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/74 , G06V10/25 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于目标互换和度量学习的小样本目标检测方法及系统，利用基类中目标图像与查询图像已有的标签信息，将查询图像与目标图像中的同类目标进行互换，构成新的查询‑目标图像对作为输入。通过这种数据增强方式增加了目标图像中各目标之间的对比，为相似性度量模块提供了更多的可对比样本，减小了目标图像中其他类目标或背景对于待检测目标的影响，提升了基于度量学习的小样本目标检测模型在基类与新类上的检测精度。
-
-
-
-
-
-
-
-
-
搜索结果
19 条记录 (耗时 0.03 秒)
