找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。
找到138项技术成果数据。
找技术>-
基于深度学习的对象间的关联分析方法及其装置
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种社交媒体网络中对象间的关联分析方法及装置,在很多重要的相关领域已经有了广泛的应用。该方法包括:步骤1、提取对象的底层特征;步骤2、对所提取的底层特征通过深度网络进行高层语义学习,得到对象的高层特征;步骤3、通过对象的高层特征获得对象间的关联关系。该方法中首先从对象的内容信息中学习出高层的抽象特征,然后在这些高层的特征的基础上来进行关联建模。本方法引入隐式特征的概念,在生成式模型的框架下,一方面隐式特征生成对象的内容信息(高层特征),另一方面,对象的隐式特征之间的交互以最大概率对象之间的关联信息。本方法采用蒙特卡洛近似推断算法来推断模型的参数及隐变量。
-
AI成像设备指纹提取及图像取证应用
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
在飞速发展的信息时代,数字图像已经渗透到社会生活的每一个角落。人们可以随时使用相机或者手机记录生活日常。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用。用户可以通过图像编辑软件随时随地按照个人需求对图像进行修改以达到更好的视觉效果。然而这在方便了用户的同时,也使得不法分子有机可乘。不法分子可拍摄一些非法图片并进行传播,更有甚者在未经授权的情况下,对他人拍摄的图像内容进行违规编辑、合成虚假图像等,从而造成篡改图像和盗版行为在社会生活中泛滥成灾。 图像取证研究就是在这样的背景下提出的,旨在通过盲分析手段认证图像数据的来源,鉴别和分析其原始性和真实性,进而解决图像版权问题和图像安全问题。项目主要通过深度学习方法获得成像设备的指纹,并基于设备指纹进行成像设备的溯源、重辨识以及图像篡改检测等。相关系统可以完成利用相机指纹追溯图像(包括原始图像和篡改图像)来源,对不同品牌,型号甚至不同个体的相机(包括手机相机)进行识别;同时鉴别图像是否经过篡改并准确定位篡改区域和篡改类型。本项研究有利于解决网络信息安全和知识产权保护问题,在图像取证和信息安全领域具有重大价值和实用意义。项目成熟度 (1)针对单幅图像相机溯源问题,其识别准确率已达到或超过国际上最前沿算法的识别效果。相机品牌识别准确率达99。5%,型号识别准确率为97。1%,尤其是相机个体识别,准确率达52。4%。该项目在手机等移动设备的相机溯源问题上也同样适用。其中针对手机个体设备的识别率已达84。3%。另,本项目突破篡改图像的相机溯源技术,使得即使是经过增强、锐化、模糊等篡改操作的图像也能较为准确的识别出拍摄该照片的相机源。 (2)在公开的篡改检测数据集NIST上,本项目所提出方法的检测mAP可达到76%,尤其针对图像拼接这一种篡改类型,mAP可达到97%。在分辨率较高的图像上基本可以准确判断图像是否篡改并定位出篡改区域。 目前已有成果: [1] Y。 Chen, Y。 Huang, and X。 Ding。 Camera model identification with residual neural network。 In Image Processing (ICIP), 2017 IEEE International Conference on, pages 4337-4341。 IEEE, 2017。 [2] X。 Ding, Y。 Chen, Z。 Tang, Y。 Huang。 Camera identification based on Domain Knowledge-driven Deep Multi-task Learning。 IEEE Transactions on Information Forensics and Security (submitted)。 [3] 专利《一种基于深度学习的单幅图像相机溯源方法》 [4] 专利《一种基于深度学习的手机源重辨识方法》应用范围 (1)数字图像来源检测。数字图像文件中的EXIF头文件包含了拍摄该照片的时间、日期、相机源等信息,但这类信息在图像传输和压缩过程中很容易丢失。本系统通过盲分析手段提取蕴含在图像像素点中的指纹信息,并以此来识别相机源。这一类特征微弱但是稳定,不会随着图像传播过程的压缩而有所损失。 (2)手机相机溯源。手机的广泛使用以及手机摄像效果的飞速提高,使得越来越多的人们放弃笨重的单反相机选择手机来记录生活中的点点滴滴。但由于手机成本以及尺寸的限制,硬件工艺自然不及相机。迫切需要针对手机成像的特点,设计适合手机相机溯源的网络。本系统也可以解决手机相机溯源问题。 (3)篡改图像来源检测。图像编辑软件的广泛使用,使得多数流传在网络平台上的大多数图像都经过美化、修改。甚至有不法分子对原始图像进行篡改,伪造生成图像。迫切需要一种相机源识别系统识别经过篡改的图像。本系统有足够的泛化能力以识别经过篡改的图像。 (4)图像篡改区域检测。数字媒体技术的飞速发展,在给内容编辑、艺术设计等领域带来便利的同时,也给了不法分子通过篡改图像内容谋取非法利益的机会。针对篡改图像,本系统可以鉴别和分析图像所经历的处理操作,准确定位出篡改区域,并判断篡改类型(包括图像拼接、图像擦除等)。 生产条件与经济效益评估 (1) 生产条件评估: 本团队为厦门大学信息科学与技术学院智能数据分析与处理团队,包括教授1名,副教授3名,研究生30余名。团队与哥伦比亚大学、杜克大学等国际名校保持密切的合作关系。团队带头人为丁兴号教授、博导,福建省高等学校新世纪优秀人才,福建省智慧城市感知与计算重点实验室副主任,厦门大学通信工程系系主任。团队近年来已经在IEEE TIP,CVPR, ICCV, ECCV,ACM MM,AAAI,IJCAI等人工智能、机器视觉、图像处理和信号处理领域顶级期刊会议上发表论文60余篇。团队主要研究方向是深度学习、计算机视觉与图像处理、数字图像取证等,拥有多种自主知识产权的针对数字图像取证方法,同时对传统算法与深度学习算法在数字图像取证有关应用上深有研究,并已通过有机结合数字图像高频边缘噪声信息与低频图像内容信息,以及深度学习高低层语义信息融合模块,大幅提升数字图像取证的准确性,同时在多类期刊会议上均有相关文章发表。 (2) 经济效益评估: 互联网以及移动相机的飞速发展深入各行各业,而数字图像也随其发展更简单快速地出现大众的视野中。数字图像取证一直是关系国家与社会安全的问题,传统的方法主要是利用不同的数字图像中存在对其来源鲁棒的数字图像指纹来进行取证操作,然而数字图像具有指纹特征微弱、图像内容多变、图像噪声丰富多样等特点,传统方法在图像取证上进展困难。深度学习技术因其强大的特征提取能力,在图像识别与重识别领域上得到飞速的发展与应用。将深度学习技术运用在数字图像取证上,对国家数字信息技术的安全有着不可低估的作用 合作方式 出资+资源合作:一方出资,另一方以非现金资源投入(技术)
-
基于人脸与行人分析的智能视觉关键技术及其产业化
成熟度:正在研发
技术类型:-
应用行业:制造业
技术简介
人脸与行人分析是视频监控、车辆辅助驾驶等应用领域中重点关注的目标,并具有广泛的应用前景。 项目团队近年来基于深度学习研发了面向多种不同拥挤场景下的多尺度深度特征融合人脸检测算法,并针对车站卡口等特定场景进行了应用在视频监控前端的算法优化;基于知识凝练技术构建融合属性知识的人脸识别及人脸属性分析算法;基于多特征通道聚合构建了行人检测算法,并已成功应用在车辆辅助驾驶中;基于深度学习构建了行人再识别算法,用于跨摄像头下的相同行人的匹配与检索。项目成熟度 目前项目团队人脸与行人分析领域已有相应的算法,已发表相关学术论文20余篇,包括:计算机视觉顶级会议CVPR、ECCV 5篇,IEEE顶级期刊TIP、TCSVT 3篇;出版一本行人检测相关专著一本:《行人检测:理论与实践》;申请多项发明专利。应用范围 人脸检测、人脸识别、行人检测、行人再识别、智能视频监控 生产条件与经济效益评估 深度学习GPU计算服务器 合作方式 共同合作研发、技术指导
-
基于深度学习的服务机器人物体识别算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明提供一种基于深度学习的服务机器人物体识别算法,步骤一采集服务机器人待识别物体的图像并制作包含训练集和验证集的图像数据集;步骤二设计卷积神经网络结构,在深度学习框架下进行训练得到物体识别模型;步骤三利用物体识别模型进行测试,实现室内复杂环境下的物体识别,服务机器人能够根据摄像头捕捉到的图像确定目标物体的类别,完成物体识别。本发明能实现服务机器人在复杂室内环境下的物体识别功能,实时性好、准确率高。
-
一种基于K‑means与深度学习的图像分类算法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
摘要:本发明公开了一种基于K‑means与深度学习的图像分类算法,包括步骤1)将无标签图像作为输入图像,并随机抽取图像块构成大小相同的无标签图像集;2)采用K‑means算法提取一次最佳聚类中心;3)构建特征映射函数,提取无标签图像集的图像特征;4)进行池化操作与归一化处理;5)采用K‑means算法提取二次最佳聚类中心,并采用卷积操作,提取最终图像特征,对最终图像特征进行标准化处理;6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点,对于海量高维图像的分类具有很好的效果,且对输入图像进行预处理,达到改善图像分类效果,提高分类精度的效果。
-
智能停车的空车位识别
成熟度:通过中试
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
空车位检测是智能停车的关键技术,基于深度学习的空车位检测是提高停车效率的有效手段。为了解决停车场多车位检测过程中存在的易受天气变化、障碍物遮挡以及复杂背景干扰等问题,本项目研发了基于深度学习的单/多车位检测算法及其嵌入式系统实现,能够克服一般方法浅层表征能力不足和较小目标检测能力的局限,可以有效识别车位环境,提高单/多车位检测的准确率。市场分析用于智慧停车场建设中的车位检测、识别领域。已有应用情况暂无。产业化成本效益分析本项目批量生产成本较低,与国内外竞品相比性价比更高。
-
基于结构指导深度学习的人体姿态估计方法和系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开一种基于结构指导深度学习的人体姿态估计方法和系统,属于计算机视觉和机器学习领域。本发明解决的问题是针对一般直接预测人体关节点的神经网络由于没有包含人体结构信息而导致的准确率低和鲁棒性差的缺点,提出一种利用人体骨架的结构知识,进行指导学习的方法。主要包括输入数据预处理,结构指导卷积神经网络预测,融合卷积神经网络预测和最终的输出处理。本发明通过引入人体结构的先验知识指导学习,隐含地学习出人体模型,从而可以准确地识别出人体姿态,对一些复杂姿态和遮挡问题均能准确地识别,具有很高的鲁棒性。
-
一种基于深度学习的图节点多标签分类方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的图节点多标签分类方法,首先加载图数据模块,解析图数据,使用字典的形式保存;生成游走路径模块,完成在图数据中的随机游走,返回生成游走路径;生成节点特征向量模块,将上一步返回的游走路径,以及指定的向量表示维数和上下文窗口大小作为输入,调用word2vec算法计算每一个图节点的特征向量表示;生成训练数据模块,从所有图节点中随机抽取一定百分比的节点作为训练节点数据,对于每一个节点,取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本;最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
一种结合深度学习与稀疏表示的室内场景识别方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
-
一种基于深度学习的智能室内入侵检测方法及系统
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于深度学习的智能室内入侵检测方法及系统,包括建立BP神经网络模型;利用帧间差分算法获得监控视频画面中相邻帧间的差分图像;对所获取的差分图像进行二值化处理,及对处理后的图像中提取静止背景下的变化前景区域图像;对所提取的变化前景图像检测和识别其是否存在人形;当识别存在人形时,从所述变化前景区域中检测和提取获得人脸区域图像;对所提取的人脸区域图像检测和识别其是否为用户图像;及在识别判断为非用户图像时,确定为非用户入侵并向用户发送报警信号。本发明抗其他运动物体干扰能力强、误判率低,可进行大量的视频数据分析,可以准确地进行入侵检测识别。

