基于时空分离卷积和非对称卷积的视频特征提取模型的建模方法.pdf
是你****松呀
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于时空分离卷积和非对称卷积的视频特征提取模型的建模方法.pdf
本发明公开了一种基于时空分离卷积和非对称卷积的视频特征提取模型的建模方法,属于模式识别、机器视觉技术领域和视频处理技术领域,该方法包括:搭建C3D网络模型;将C3D网络的前四层卷积层转化为时空可分离卷积,将3D卷积明确分解为一个2D空间卷积和一个1D时间卷积的连续操作;对C3D网络的后四个卷积层进行改进以减少模型参数,将3D卷积改进为非对称卷积;构建基于时空分离卷积和非对称卷积的视频特征提取模型。本发明经实验表明,其优点是改进的模型在视频的特征提取方面效果更好,且对于模型参数也可以进行有效的压缩,具有较高
一种基于时序卷积建模的视频动作检测方法.pdf
本发明提出一种基于时序卷积建模的视频动作检测方法,首先采用动作提案生成技术产生尽可能包含完整动作的提案片段;其次使用非极大值抑制配合加权IoU筛选出完整且重叠度高的提案,随后对提案进行稀疏采样得到指定数量的视频帧;采用深度网络模型提取视频帧的时空特征;然后对得到的帧级时空特征按演化模式划分成三个阶段,随后使用时序卷积对每个阶段的特征分别进行时序建模。最后使用分类器和回归器来预测动作类别和检测动作发生的时间区间。应用本发明可以克服提案的不完整性,同时最大限度的保留视频流的时序信息,进而更为精确的检测视频中的
一种基于时空卷积神经网络的视频目标分割方法.pdf
本发明涉及计算机视觉的技术领域,特别是涉及一种基于时空卷积神经网络的视频目标分割方法,其不需要依赖光流标注信息来训练光流模型,节省人力资源,提高视频分割准确度;包括:使用ResNet‑101网络,前部均为卷积层,并且最后三个为反卷积层;使用三个跳过连接来连接低位图层功能以保留每个决议中的时空信息;输入为N幅连续的帧(I
基于流形学习与闭环深度卷积双网络模型的基因特征提取方法.pdf
一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法,包括以下步骤:第一步,基于流形学习的癌症关联基因特征粗提取,第二步,基于闭环深度卷积双网络结构的基因特征精细提取,过程如下:采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构,利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象,最终投影出关键特征;反向卷积神经网络实现关键特征的逆投影。本发明提供一种最大程度保留基因特征并实现快速降维的基于流形学习与闭环深度卷积双网络模型的基因特征提取方法。
基于压缩的卷积神经网络模型的图像特征提取方法及装置.pdf
本文公开基于压缩的卷积神经网络模型的图像特征提取方法,包括:构建卷积神经网络模型,对卷积神经网络模型进行压缩:将卷积神经网络模型多个卷积层的权重压缩比作为蜜源,利用人工蜂群算法搜索适应度值最高的蜜源,根据蜜源确定对应的卷积神经网络压缩模型,利用压缩模型计算蜜源的适应度值;将适应度值最高的蜜源对应的压缩模型作为最终的卷积神经网络压缩模型;利用卷积神经网络压缩模型对图像进行特征提取;其中,根据蜜源确定对应的压缩模型包括:将卷积神经网络模型多个卷积层的权重进行稀疏低秩分解得到低秩矩阵,根据每层的权重压缩比对该层