您的位置: 专家智库 > >

何泽文

作品数:6 被引量:9H指数:2
供职机构:中国科学院自动化研究所更多>>
发文基金:国家自然科学基金更多>>
相关领域:自动化与计算机技术更多>>

文献类型

  • 3篇期刊文章
  • 3篇专利

领域

  • 4篇自动化与计算...

主题

  • 3篇目标检测
  • 3篇接触网
  • 3篇触网
  • 2篇行车
  • 2篇行车途中
  • 2篇网络
  • 2篇滤波
  • 2篇滤波原理
  • 2篇目标检测与跟...
  • 2篇卡尔曼
  • 2篇卡尔曼滤波
  • 2篇高铁
  • 1篇多通路
  • 1篇映射
  • 1篇深度网
  • 1篇深度网络
  • 1篇通路
  • 1篇图像
  • 1篇图像识别
  • 1篇迁移

机构

  • 6篇中国科学院自...
  • 3篇中国科学院大...

作者

  • 6篇张文生
  • 6篇何泽文
  • 3篇胡文锐
  • 3篇杨阳
  • 3篇陈东杰
  • 2篇杨叶辉

传媒

  • 2篇计算机辅助设...
  • 1篇软件学报

年份

  • 2篇2021
  • 2篇2019
  • 2篇2017
6 条 记 录,以下是 1-6
排序方式:
一种多通路的分区域快速妆容迁移深度网络被引量:4
2019年
妆容迁移是指把参考妆容迁移到素颜人脸上,并保持其上妆风格的一种任务.它提供了快速高效的候选妆容可视化的解决方案,得到了学术界和工业界的广泛关注.为了解决真实同人异妆数据的缺失,以及现有妆容迁移方法没有充分考虑人与人的五官差异而导致的迁移脸部结构丢失等问题,提出了一种多通路的分区域快速妆容迁移深度网络模型.具体而言,首先在人脸关键点检测的基础上,完成端到端的人脸校准;再利用通路差异的损失函数,根据眼影、唇膏、粉底的区域妆容特点优化网络;最后通过泊松融合、多通路的输出生成上妆结果.该模型具有存储空间小、生成速度快的优点,在保证人脸结构不变的同时,使得迁移后的眼影更均衡,唇膏色彩更保真,粉底迁移更精细.在国际通用VMU和DLMT美妆数据库上进行实验研究,结果表明,该方法取得了更协调的视觉效果、更快的上妆速度、更多样的同人异妆和异人同妆的迁移风格,优于对比方法.
黄妍何泽文张文生
关键词:深度网络多通路
基于卡尔曼滤波的高铁接触网目标检测与跟踪方法
本发明公开了一种基于卡尔曼滤波的高铁接触网目标检测与跟踪方法,所述方法包括以下步骤:采集样本图像;对于所述样本图像进行预处理;对于经过预处理后的样本图像,获取水平扫描线上的像素点并对其进行显著性排序,提取得到显著性像素点...
张文生陈东杰胡文锐杨叶辉杨阳何泽文
有噪条件下的新类检测算法被引量:1
2021年
针对有噪条件下新类检测性能较差的问题,提出一种基于核零空间判别局部保持投影算法(KNDLPP).首先通过核函数将样本隐式映射到高维特征空间,在核空间中利用距离加权机制对样本进行权重赋值,在保持局部结构的同时降低离群噪声样本的影响;然后利用样本类内零空间使同类样本坍塌为一点,实现对已知类分布的有效约简;最后基于零空间再求得使类间距最大化的变换矩阵,以上步骤得到一个判别性变换矩阵以刻画样本的分布信息、描述样本之间的相似性.该算法能刻画样本潜在结构,提升已知类与新未知类之间的判别性.在11个公开数据集上的实验结果表明,该算法是有效和鲁棒的,具有较好的新类检测性能.在局部保持性实验中,KNDLPP在4个UCI数据集上的整体平均AUC值为90.656%;在复杂结构保持性实验中,KNDLPP在Banana,Moon及3个UCI数据集上的整体平均AUC值为91.949%;在2个无噪高维数据集的新类检测实验中,KNDLPP平均AUC值为86.214%,高于次优算法4个百分点;在4个UCI数据集的4种有噪条件下,KNDLPP性能排名第1.
曾凡霞何泽文张文生
关键词:核方法零空间
基于卡尔曼滤波的高铁接触网目标检测与跟踪方法
本发明公开了一种基于卡尔曼滤波的高铁接触网目标检测与跟踪方法,所述方法包括以下步骤:采集样本图像;对于所述样本图像进行预处理;对于经过预处理后的样本图像,获取水平扫描线上的像素点并对其进行显著性排序,提取得到显著性像素点...
张文生陈东杰胡文锐杨叶辉杨阳何泽文
文献传递
接触网支柱的支柱号识别方法、存储介质、处理设备
本发明涉及图像识别领域,具体提出一种接触网支柱的支柱号识别方法、存储介质、处理设备,旨在解决接触网的全局图像效果较差时,不能快速准确地识别接触网支柱号牌的问题。本发明的接触网支柱的支柱号识别方法将设计优化后的号牌检测模型...
张文生杨阳胡文锐陈东杰何泽文
文献传递
保持高分辨率信息的无锚点框检测算法被引量:4
2021年
目标检测逐渐成为视觉研究社区的关键领域,而其挑战之一是检测器难以准确地定位不同尺度的物体.面向图像中的目标检测应用,提出了高分辨率-无锚点框(HOAR)检测策略来应对物体尺度多变的挑战.HOAR将待测图像输入多条通路(对应不同尺度)并行的高分辨率网络,并提取每条通路上的输出特征图作为图像在每种尺度下的深度特征表示;然后利用密集特征金字塔(DenseFPN)对这些特征图进行信息融合,得到重新组合的多尺度特征图;最后采用无锚点框表示的检测子网络判断这些特征图上每个点对应的物体类别和矩形框位置.为验证所提HOAR策略的有效性,在COCO数据集上进行了对比实验.消融分析的结果表明了HOAR策略各个模块的必要性;其在验证集上的检测指标mAP达到了40.5,显著超过了基线模型和部分代表性算法的mAP.此外,HOAR策略所需的参数数量也显著小于对应的基线模型.
何泽文张文生
关键词:目标检测
共1页<1>
聚类工具0