专利交易市场

本发明涉及目标检测技术领域，具体涉及一种基于深度级联有监督学习的老鼠目标检测方法。包括：设计老鼠目标检测的网络模型；选取网络模型的训练集和测试集；计算出标注边缘检测图；根据主干部分神经网络初步提取精加工的深度特征信息，通过粗选多分支模块对特征信息进行细化增强，并粗生成候选建议区域，最后进行分类识别和定位回归；预设相关超参数，测试最优网络模型。本发明提出的老鼠目标检测方法，解决低分辨率下老鼠目标边缘模糊导致的难区分问题，增强抗干扰力，从而提高模型的检测性能，在多种环境下进行检测，一旦出现老鼠踪迹，就向相关部门预警，及时采取应急措施，减少老鼠带来的卫生隐患和财产损失，即减少鼠患的产生。

本发明涉及图像识别技术领域，提供了一种明厨亮灶场景下工作人员着装规范检测方法及装置，该方法包括训练阶段，训练阶段包括以下步骤：通过摄像头获取输入图像；对输入图像中的目标行人框进行识别，获取目标行人框的行人位置信息、行人姿态信息和行人服饰信息，行人服饰信息包括帽子穿戴情况和围裙穿戴情况；对获取到的目标行人框的行人位置信息、行人姿态信息和行人服饰信息进行标注，形成数据集，该装置包括标注模块，标注模块包括第一单元和第二单元；存储模块，存储模块用于存储已标注的数据样本，并将数据样本划分为训练数据和测试数据；获取模块，获取模块用于利用上述方法对输入图像进行编码。

本发明公开了基于混合簇中心标签学习的行人重识别方法和存储介质，首先使用有标签数据初始化网络模型参数，并计算出初始的簇中心标签，然后利用网络模型提取无标签数据的特征信息；再计算无标签数据的特征信息与簇中心之间的距离并筛选出预设比例的伪标签数据，且剩余数据为模糊标签数据，并生成簇中心标签作为指导标签，更新存储器中的簇中心标签；把伪标签数据和模糊标签数据按照多次少量的方式加入到训练样本中，重新训练深度神经网络模型。本发明利用聚类的方法将无标签的数据分为伪标签数据和模糊标签数据，并计算出簇中心，然后使用多种类别的簇中心进行模型分类优化，充分利用到多方面的信息，有效提高行人重识别方法的精度。

本发明公开了一种联合注意力机制端到端训练的行人多目标跟踪方法，收集带标签的视频序列的行人数据集，并利用标签中每个视频的第一帧真实边界框作为模板样本，再根据样本的中心在第二帧中裁剪出正搜索区域样本，以及在不是同类目标的区域裁剪出负搜索区域样本，组成三元组数据输入，然后利用卷积神经网络提取样本的特征信息，再使用注意力机制模块指导网络模型倾向重要的特征信息，最后计算相似度和数据关联。本发明将基于孪生网络的单目标跟踪和关联网络集成到统一的网络结构中，并结合注意力机制是网络偏重学习有意义的特征信息，提高网络模型的特征表达能力，提高计算效率，简化训练过程。

本发明公开了一种低分辨热力图的人脸额头区域检测与定位方法，包括以下步骤：清除红外摄像仪采集到热力图像中的无人脸和模糊图像，得到有效的热力图像集，将所述热力图像集分为训练集和测试集，并标记相应的标签；对带标签的训练集和测试集进行数据增强处理；利用双向多尺度特征和快速归一化融合方法联合为多尺度特征融合网络TwFPN；并基于带权重的多尺度特征融合网络TwFPN和联合缩放算法，求得DEfficientNet人脸额头检测模型；将带标签的训练集输入至DEfficientNet人脸额头检测模型中，提取最优的额头区域特征，并获得最优的人脸额头检测模型；将带标签的测试集输入至最优的人脸额头检测模型中，以获得人脸的额头区域，并在额头区域附加检测框。