|
|
钻瓜专利网为您找到相关结果 150个，建议您 升级VIP下载更多相关专利
- [发明专利]基于非关键帧扰动的视频序列样本增强方法-CN202210808388.2在审
-
柯逍;刘浩
-
福州大学
-
2022-07-11
-
2022-10-18
-
G06V20/40
- 本发明涉及一种基于非关键帧扰动的视频序列样本增强方法，包括步骤S1：在网络训练过程中，将输入视频序列样本送入视频行人重识别网络模型中，并根据网络输出结果计算损失；步骤S2：对视频序列样本计算其梯度方向；步骤S3：对视频序列中每一个视频帧计算该视频帧下的梯度方向绝对值的总和；步骤S4：根据视频序列中每一帧的总和值，计算获得视频序列中前n_k个总和值最大的帧的索引，并视为此视频序列中的关键帧；步骤S5：根据关键帧的索引，对视频序列中其他非关键帧进行随机高斯噪声扰动；步骤S6：经过扰动后的非关键帧替换掉原视频序列中对应索引的帧，构建新的视频序列样本，再次送入视频重识别网络中进行后续训练。
- 基于关键扰动视频序列样本增强方法
- [发明专利]一种网络参数自纠正的行人重识别方法及系统-CN202010065378.5有效
-
陈羽中;黄腾达;柯逍;林洋洋
-
福州大学
-
2020-01-20
-
2022-10-04
-
G06V40/10
- 本发明涉及一种网络参数自纠正的行人重识别方法及系统，该方法包括：A、使用已标注类标签行人视频训练深度网络得到参考网络模型；B、利用参考网络模型估计未标注类标签行人视频的伪标签，并选取一定比例训练深度网络得到目标网络模型；C、从选取的未标注视频中再选取一定比例，打乱其伪标签，训练深度网络得到偏差网络模型；D、计算噪声自适应损失，对目标网络模型中错误网络参数更新进行自纠正；E、将参考网络模型替换成目标网络模型，重复步骤B‑D，并增加未标注视频的选取比例直到所有未标注视频被选中，得到最终的目标网络模型；F、使用目标网络模型对查询视频进行行人重识别。该方法及系统有利于提高行人重识别的准确性与鲁棒性。
- 一种网络参数纠正行人识别方法系统
- [发明专利]一种基于部位注意力的行人重识别方法及系统-CN202010067243.2有效
-
陈羽中;黄腾达;柯逍;林洋洋
-
福州大学
-
2020-01-20
-
2022-10-04
-
G06V20/40
- 本发明涉及一种基于部位注意力的行人重识别方法及系统，该方法包括以下步骤：A、输入训练集各行人视频到特征提取深度网络，得到中间特征并输入部位推断深度网络，得到K个部位的注意力热力图；B、做哈达玛积运算得到局部中间特征，再输入K个局部提取深度网络得到K个部位的局部特征；C、计算各部位的有效系数，对局部特征进行加权融合得到融合局部特征；D、计算全局特征，拼接全局特征和融合局部特征得到视频特征，输入全连接层得到分类向量；E、计算联合损失，计算各网络参数的梯度，后更新各网络参数，完成各网络训练过程；F、输入查询视频和检索集各视频到训练完成的各网络进行行人重识别。该方法及系统有利于提高行人重识别的性能。
- 一种基于部位注意力行人识别方法系统
- [发明专利]基于样本增强与实例感知的真实场景行人检索方法-CN202210801244.4在审
-
柯逍;刘浩
-
福州大学
-
2022-07-08
-
2022-09-27
-
G06V40/10
- 本发明涉及一种基于样本增强与实例感知的真实场景行人检索方法，包括以下步骤：步骤S1：将待处理的图像通过检测模型，获得预测的边界框；步骤S2：将预测边界框送入样本增强组合SEC，同时将图像的真实边界框会送入SEC，通过SEC随机抖动后生成若干边界框；步骤S3：在重识别阶段，输入的图像被送入全粒度特征提取网络OSNet的1‑3层网络结构，提取整体图像特征；步骤S4：在整体图像特征与检测阶段产生的边界框送入特征裁剪模块RoIAlign，获得根据边界框从整体图像中裁剪后得到的行人特征；步骤S5：裁剪所得的行人特征被送入OSNet4‑5层网络结构；步骤S6：通过实例感知损失函数进行优化，利用无标签信息以监督特征学习。本发明实现更高效且更具判别性的行人检索。
- 基于样本增强实例感知真实场景行人检索方法
- [发明专利]基于稀疏系数通道剪枝的轻量化个人防护装备检测方法-CN202210801243.X在审
-
柯逍;陈文垚
-
福州大学
-
2022-07-08
-
2022-09-23
-
G06V20/52
- 本发明涉及一种基于稀疏系数通道剪枝的轻量化个人防护装备检测方法，包括以下步骤：步骤S1：构建个人防护装备检测数据集；步骤S2：根据个人防护装备检测数据集训练网络模型得到个人防护装备检测模型；步骤S3：将个人防护装备检测模型进行通道级别的稀疏化训练，对卷积神经网络中BN层的γ参数进行稀疏正则化，得到稀疏化后的检测模型；步骤S4：对稀疏化后的检测模型进行剪枝，得到一个轻量化的检测模型；步骤S5：对轻量化的检测模型进行微调训练，得到最终的轻量化个人防护装备检测模型；步骤S6：使用轻量化个人防护装备检测模型进行目标检测，得到检测结果图。本发明能够有效减少检测模型的模型大小，参数量和计算量，并且对工人是否穿戴个人防护装备进行精准检测。
- 基于稀疏系数通道剪枝量化个人防护装备检测方法
- [发明专利]基于子特征融合的轻量化安全帽检测方法-CN202210801277.9在审
-
柯逍;陈文垚
-
福州大学
-
2022-07-08
-
2022-09-23
-
G06V10/80
- 本发明涉及一种基于子特征融合的轻量化安全帽检测方法,包括以下步骤：步骤S1:获取安全帽数据图片，并预处理，构建安全帽检测数据集；步骤S2：构建子特征融合的轻量化网络模块，通过低代价卷积操作生成子特征图并与初始特征图进行融合；步骤S3：构建轻量化目标检测网络；步骤S4：对YOLOv5目标检测算法的训练超参数进行调优，利用安全帽检测数据集训练轻量化目标检测网络得到安全帽检测模型；步骤S5：根据安全帽检测模型对输入图片进行检测，获取初步检测结果，对初步检测结果进行解码后采用改进的非极大值抑制算法筛选出最终的检测结果，将检测结果绘制在原图中。本发明能够有效减少检测模型的模型大小，并且对工人是否佩戴安全帽进行精准检测。
- 基于特征融合量化安全帽检测方法
- [发明专利]一种基于连通域分析和形态学操作的框线检测方法-CN201910317129.8有效
-
柯逍;王俊强
-
福州大学
-
2019-04-19
-
2022-09-13
-
G06T7/13
- 本发明涉及一种基于连通域分析和形态学操作的框线检测方法。首先对读入的待检测表格文档图像进行灰度化，将得到的灰度图像二值化；然后对得到的二值图像进行形态学膨胀操作，对膨胀操作之后的二值图像进行连通域检测，接下来对得到的框线轮廓内部进行填充操作，最后对框线增强之后的图像进行基于深度学习方法的图像去噪；对经过框线增强操作后的表格文档图像，分别定义两个结构元素作为形态学腐蚀和膨胀操作的内核矩阵参数，经过形态学腐蚀和膨胀操作之后把表格文档的横框线和竖框线分别检测并提取出来，然后采用基于NPcanny的直线检测算法对图像中的直线进行再次检测，将提取出来的横纵框线进行交叉，得到表格文档图像中完整的框线结构。
- 一种基于连通分析形态学操作检测方法
|
