“楼燚航”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果19个，建议您升级VIP下载更多相关专利

[发明专利]一种基于人脸矢量特征的视频数据处理方法-CN201910846916.1有效
发明人：张振斌;楼燚航;白燕;张永祥;陈杰 -专利权人：博云视觉（北京）科技有限公司
申请日： 2019-09-09 - 公布日： 2023-09-08 - 主分类号： G06V40/16 文献下载
摘要：本发明公开了一种基于人脸矢量特征的视频数据处理方法，包括以下步骤：S1、将监控视频输入人脸检测模型，人脸检测模型在监控视频中截取人脸区域图像；S2、通过跟踪链将同一人的人脸区域图像保存在同一文件下作为一个人脸ID；S3、对人脸ID内的重复人脸区域图像进行去除：S4、采用递归方式对多个人脸ID进行人脸ID聚类；S5、采用多级融合的方式对聚类后的重复人脸ID进行去重合并。本发明解决了监控场景中人脸ID内的图像冗余问题以及人脸跟踪连断裂造成的人脸ID重复问题；极大的提高了重复图像的检测准确率，减轻了人工处理的工作量。
一种基于矢量特征视频数据处理方法

[发明专利]一种基于深度学习的车窗精确定位方法-CN201911089593.2有效
发明人：韩梦江;楼燚航;白燕;张永祥;陈杰 -专利权人：博云视觉（北京）科技有限公司
申请日： 2019-11-08 - 公布日： 2023-09-08 - 主分类号： G06V10/25 文献下载
摘要：本发明公开了一种基于深度学习的车窗精确定位方法，步骤为：S1、在第一阶段中获取车辆车窗的大致定位框；S11、选取样本组，标定图片中车窗的角点坐标；S12、将图片和角点坐标保存为数据集；S13、将数据集输入第一阶段的深度卷积网络中提取特征图；S14、将特征图输入到BOX回归层得到车窗的大致定位框；S2、在第二阶段中获取车辆车窗的四个精确角点坐标；S21、将车窗大致定位框扩大；S22、截取扩大后候选框内的图片；S23、将角点坐标变换为相对于扩大后候选框的相对坐标；S24、将截取后的图片输入第二阶段的深度卷积网络中提取特征图，并转换为一个特征向量；S25、将特征向量输入到线性回归层得到车窗的精确角点坐标。
一种基于深度学习车窗精确定位方法

[发明专利]深度学习模型的训练方法、装置、可读介质和电子设备-CN202210110363.5在审
发明人： 楼燚航;白涛;许俊峰;方光祥 -专利权人：华为技术有限公司
申请日： 2022-01-29 - 公布日： 2023-08-11 - 主分类号： G06V10/774 文献下载
摘要：本申请涉及人工智能领域，公开了一种深度学习模型的训练方法、装置、可读介质和电子设备。该方法通过具有标签的第一数据集和不具有标签的第二数据集，对第一模型进行训练，训练过程中，通过调整第一模型参数，得到损失函数满足预设条件的第二模型；该损失函数包括用于指示利用第一模型确定第一数据集中的样本数据的标签的不确定度的第一子损失函数、用于指示利用第一模型确定各样本数据的标签的不确定度的修正参数的第二子损失函数、用于指示属于同一标签的样本数据的数据特征的离散程度之和的第三子损失函数。如此，可以提高第二模型确定输入数据的推理结果的精度。
深度学习模型训练方法装置可读介质电子设备

[发明专利]一种人脸图像质量评估方法-CN201910847009.9有效
发明人：张振斌;楼燚航;白燕;张永祥;陈杰 -专利权人：博云视觉（北京）科技有限公司
申请日： 2019-09-09 - 公布日： 2023-05-09 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种人脸图像质量评估方法，包括以下步骤：S1、获取待评估的人像图片；S2、对人像图片进行模糊判定，通过人像图片的像素均方差计算人像图片的模糊量评分；S3、对人像图片进行光照质量判定；S31、将人像图片的RGB颜色空间转换为HSV彩色空间；S32、通过人脸检测算法对人像图片中的人脸区域进行截取；S33、计算人脸区域内的明度均值作为人脸光照的量化数值；S34、通过人脸光照的量化数值计算光照质量评分；S4、对人像图片进行人脸姿态判定，通过人脸姿态角度值计算出人脸姿态评分；S5、将人像图片的模糊量评分、光照质量评分、人脸姿态评分赋予不同的权重，求和后即得到人脸图像的质量评估分数值。
一种图像质量评估方法

[发明专利]神经网络模型的训练方法、图像重识别方法及相关设备-CN202110804394.6在审
发明人： 楼燚航;白涛;闫冬升;方光祥 -专利权人：华为技术有限公司
申请日： 2021-07-15 - 公布日： 2023-01-17 - 主分类号： G06V20/10 文献下载
摘要：一种神经网络模型的训练方法以及图像重识别方法，涉及人工智能AI技术领域，该方案中，神经网络模型在训练过程中使用编码网络和自注意力机制网络获取图像局部特征间的相关程度进行训练，使得训练好的模型就能得到更全面的特征表征。这样，该训练好的神经网络模型用于图像重识别的过程中对于被遮挡和非对齐的图像可以更准确的识别，极大的提高了重识别的准确率。
神经网络模型训练方法图像识别相关设备

[发明专利]一种基于监控视频的行车道路分割方法-CN201910846973.X有效
发明人：陈杰;楼燚航;白燕;张永祥;柳昊良 -专利权人：博云视觉（北京）科技有限公司
申请日： 2019-09-09 - 公布日： 2023-01-17 - 主分类号： G06T7/136 文献下载
摘要：本发明公开了一种基于监控视频的行车道路分割方法，包括以下步骤：S1、通过监控摄像头获取道路监控视频；S2、使用运动目标检测方法对道路监控视频中的运动目标进行检测，得到运动目标掩码图像；S3、将道路监控视频以时间段序列长度分割为若干段分割结果掩码图，并将该时间段序列长度内的运动目标掩码图像输入到分割结果掩码图中；S4、检测每段分割结果掩码图最外层轮廓边界，统计轮廓边界内的像素数量，设置阈值剔除像素数量较小的连通域，得到形态学处理后的视频图像；S5、对视频图像设置长时间段的道路投票机制，剔除低频率的运动目标后输出行车道路掩码图。
一种基于监控视频行车道路分割方法

[发明专利]特征提取方法及装置、模型训练方法及装置-CN202110777186.1在审
发明人： 楼燚航;白涛;闫冬升;方光祥 -专利权人：华为技术有限公司
申请日： 2021-07-09 - 公布日： 2022-12-23 - 主分类号： G06V40/20 文献下载
摘要：一种特征提取方法及装置、模型训练方法及装置，属于计算机技术领域。该方法包括：获取目标图像，目标图像中包括目标对象；将目标图像输入第一特征模型，得到第一特征模型输出的目标对象的对象特征。对于任意的第一对象、第二对象和第三对象，第一特征模型提取的第一对象的对象特征与第二特征模型提取的第二对象的对象特征的相似度大于第一特征模型提取的第一对象的对象特征与第二特征模型提取的第三对象的对象特征的相似度，第一对象的类别与第二对象的类别相同，第一对象的类别与第三对象的类别不同。本申请中，第二特征模型提取的对象特征与第一特征模型提取的对象特征的兼容性较好。
特征提取方法装置模型训练

[发明专利]能见度检测方法及装置、团雾检测方法、装置及系统-CN202110227017.0在审
发明人： 楼燚航;白涛;闫冬升;方光祥 -专利权人：华为技术有限公司
申请日： 2021-03-01 - 公布日： 2022-09-02 - 主分类号： G06V10/25 文献下载
摘要：一种能见度检测方法。该方法应用于能见度检测系统，该系统包括图像采集设备，图像采集设备的拍摄区域内设置有至少一个标志物。采用目标检测算法检测图像采集设备采集到的图像中是否存在标志物成像，进一步可以根据图像中的标志物成像对应的可见标志物到图像采集设备的距离，确定图像采集设备所在位置的能见度。基于计算机视觉技术实现了能见度检测，运行成本较低且适用于各种环境，应用局限性较低。
能见度检测方法装置系统

[发明专利]一种提升跨视角车辆精确检索的方法及系统-CN201910818526.3有效
发明人：段凌宇;白燕;楼燚航 -专利权人：北京大学
申请日： 2019-08-30 - 公布日： 2022-06-03 - 主分类号： G06F16/583 文献下载
摘要：本发明涉及计算机视觉领域，特别涉及一种提升跨视角车辆精确检索的方法及系统。包括将某一视角图片输入训练好的对抗网络生成器的该视角的图片输入端，生成另一视角图片；将原视角图片和生成的另一视角图片输入到训练好的度量网络中，获得原视角图片的特征和另一视角的图片的特征，将原视角图片的特征和另一视角的图片的特征拼接为级联特征，计算级联特征和数据库中参考车辆图片的特征距离，排列展示距离最近的若干查询目标。本发明提出了一个特征距离对抗网络(FDA‑Net)，在度量空间设计了一种新的特征距离对抗方案。
一种提升视角车辆精确检索方法系统

[发明专利]一种模型复用方法与系统-CN201910785418.0有效
发明人：段凌宇;白燕;楼燚航;陈子谦 -专利权人：北京大学
申请日： 2019-08-23 - 公布日： 2022-06-03 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了一种模型复用方法与系统，包括：将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。通过将数据集中的有标签数据输入至待训练模型，得到目标损失，将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，得到复用损失，使用少量的有标签数据得到的目标损失和包括大量无标签数据的所有数据得到的复用损失共同更新待训练模型，能够有效利用大量无标签数据。
一种模型方法系统

[发明专利]用于深度神经网络频繁传输的压缩方法及系统-CN201810528239.4有效
发明人：段凌宇;陈子谦;楼燚航;黄铁军 -专利权人：北京大学
申请日： 2018-05-29 - 公布日： 2020-05-29 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了用于深度神经网络频繁传输的压缩方法及系统，扩展深度神经网络压缩至传输领域，利用深度神经网络模型之间的潜在冗余性进行压缩，减少深度神经网络在频繁传输下的开销。本发明的优势在于：本发明结合了深度神经网络在频繁传输上的多个模型之间的冗余性，利用了深度神经网络之间的知识信息进行压缩，减少了所需传输的大小和带宽。在相同带宽限制下，能更好地将深度神经网络进行传输，同时允许深度神经网络在前端进行针对性压缩的可能，而非只能将深度神经网络进行针对性压缩后进行部分的还原。
用于深度神经网络频繁传输压缩方法系统

[发明专利]一种基于深度学习的智能冰箱存取动作识别方法-CN201911089592.8在审
发明人：白燕;楼燚航;张永祥;陈杰 -专利权人：博云视觉（北京）科技有限公司
申请日： 2019-11-08 - 公布日： 2020-05-08 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于深度学习的智能冰箱存取动作识别方法，包括以下步骤：S1、通过摄像头获得视频数据进行输入；S2、采用当前先进的目标检测器对输入的视频按帧切分图像并检测图像中的手部信息；S3、当检测出手部信息位于裁剪区域内时，裁剪手部信息图片并送入食材分类网络进行食材分类，并获得食材分类结果；S4、当检测出手部信息位于跟踪区域内时，将手部信息送入Staple目标跟踪算法，获得手部动作的跟踪轨迹；S5、利用存取状态判断规则对跟踪轨迹内的手部状态进行判断，获得用户的存取状态；S6、将用户的存取状态与食材分类结果相结合并输出存取动作结果；S7、重新初始化，等待进入下一轮动作识别检测。
一种基于深度学习智能冰箱存取动作识别方法

[发明专利]一种基于视觉注意力机制的图像特征表达方法及系统-CN201910818508.5在审
发明人：段凌宇;白燕;楼燚航 -专利权人：北京大学
申请日： 2019-08-30 - 公布日： 2020-01-17 - 主分类号： G06F16/583 文献下载
摘要：本发明涉及计算机视觉领域，特别涉及一种基于视觉注意力机制的图像特征表达方法及系统。包括将图片输入训练好的深度网络模型对图片进行特征提取，得到该图片的注意力特征值，计算图片的特征值与目标图片特征值的距离，选择距离最近的若干目标图片展示。本发明利用多尺度注意力网络实现特征提取、距离度量一体化的目标检索检索框架，与传统算法相比，处理速度和准确率均得到较好提升。
目标图片特征提取注意力计算机视觉领域视觉注意力传统算法距离度量距离最近目标检索图片输入图像特征网络模型网络实现多尺度准确率图片检索一体化展示

[发明专利]一种基于难样本生成的目标精确检索方法及系统-CN201910785403.4在审
发明人：段凌宇;白燕;楼燚航 -专利权人：北京大学
申请日： 2019-08-23 - 公布日： 2020-01-10 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于难样本生成的目标精确检索方法及系统，所述方法包括如下步骤：深度对抗网络训练步骤，所述训练步骤包括一个样本的图像数据通过深度对抗网络的生成器生成一个难样本，使得该难样本在高维空间中与输入的图像保持一定的距离间隔；其中，所述生成的难样本用于促进所述深度对抗网络中的度量判别器的训练，所述度量判别器用于提取图像的特征；计算和排序步骤，在欧式空间计算多张图片的欧氏距离，通过排序实现目标精确检索。本发明利用度量对抗学习实现在深度对抗网络中，进行难样本的生成，难样本的生成反过来又能促进度量判别器具有区分力的特征，提升特征的鲁棒性和辨别力，从而提升目标检索的性能。
样本度量对抗判别器排序检索高维空间距离间隔空间计算目标检索欧氏距离提取图像图像保持图像数据网络训练训练步骤样本生成网络鲁棒性生成器辨别学习图片

[发明专利]一种SSD目标检测卷积神经网络的加速计算方法-CN201910846935.4在审
发明人：韩梦江;楼燚航;白燕;张永祥;陈杰 -专利权人：博云视觉(北京)科技有限公司
申请日： 2019-09-09 - 公布日： 2020-01-03 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种SSD目标检测卷积神经网络的加速计算方法，包括以下步骤：S1、将SSD目标检测卷积神经网络训练阶段的目标框Box回归层和目标分类回归层删除，使用一个新的卷积层同时进行Box推导计算和目标分类计算；S2、在新的卷积层后添加一个BlobSplit层，通过BlobSplit层将新的卷积层输出的Blob按照配置的channel拆分成两个独立的Blob并输出给训练阶段后续的两个相关层；S3、将SSD目标检测卷积神经网络推导阶段的目标框Box回归层和目标分类回归层删除，使用一个新的卷积层同时进行Box推导计算和目标分类计算；S4、将SSD目标检测卷积神经网络推导阶段的后续相关层全部删除，在新的卷积层后连接一个Object_Detector层。
卷积卷积神经网络目标分类目标检测推导删除回归训练阶段目标框输出配置的

1
2
下一页»
尾页
共 19 条