李厚君
- 作品数：25 被引量：7H指数：2
- 供职机构：广西科技大学更多>>
- 发文基金：国家自然科学基金北京市自然科学基金博士科研启动基金更多>>
- 相关领域：自动化与计算机技术政治法律化学工程医药卫生更多>>
- 属性蒸馏的零样本识别方法
- 2024年
- 零样本识别是计算机视觉领域最具挑战性的任务之一,其关键在于如何从已见类中学到稳定和可迁移的知识。为提高零样本识别的准确率,对零样本识别问题进行了系统研究,并利用知识蒸馏的思想,精心设计了一个简单有效的属性蒸馏分类器。它符合人类认识事物的过程,首先从Vision Transformer大模型中获得全面细致的视觉特征,再运用属性概念蒸馏出物体的属性知识,最后迁移到未见类识别任务中。公开数据集上的实验表明,该方法取得了具有竞争力的结果,其识别准确率虽略低于最新的属性引导算法,但优于其他传统方法,而且识别架构简单具有更快的处理速度。同时,研究也指出了减少属性描述的稀疏性,以及增加多视角高清图像,将有利于提高零样本识别方法的准确率。
- 李厚君韦柏全
- 关键词：计算机视觉
- 正交Haar变换的眉毛识别方法
- [目的]提高现有眉毛识别方法的识别效率。[方法]采用快速正交Haar 变换模板匹配算法(FOHT)，设计一种基于正交Haar 变换的眉毛识别方法；同时，使用最大标准子模板和自适应阈值解决了FOHT 算法只能处理标准模板且...
- 李厚君王日凤李春贵
- 关键词：眉毛识别自适应阈值
- 基于深度学习的纹理图像方向场估计方法
- 本发明基于深度学习的纹理图像方向场估计方法，包括以下步骤：步骤1：样本采集：采集将进行方向场评价的纹理图像；步骤2：样本处理与标注，将纹理方向离散为N个方向，分别为各个方向采集纹理子图像，作为训练样本：步骤3：建立深度学...
- 刘洪杨超蓝赠美刘晓晖王日凤李厚君
- 文献传递
- 基于AdaBoost的眉毛检测与定位被引量：2
- 2010年
- 文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586。通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。
- 李厚君李玉鑑
- 关键词：HAAR-LIKE特征
- 基于深度学习的纹理图像质量估计方法
- 本发明基于深度学习的纹理图像质量估计方法，包括以下步骤：步骤1：样本采集：采集将进行质量评价的纹理图像；步骤2：样本处理与标注；步骤3：建立深度学习网络，步骤4：为两种深度学习网络编码相应样本以便输入网络，设置网络的每一...
- 杨超刘洪蓝赠美刘晓晖王日凤李厚君
- 文献传递
- 网络安全区登录方法及装置
- 本发明公开了一种网络安全区登录方法，包括以下步骤：S1、在转换模块中存储用于搭建访问网络安全区的访问通道的访问通道构建程序；S2、使用者通过客户端模块输入身份验证信息，经过加密模块加密后，传送到转换模块中解密，通过身份验...
- 王欢彭勇阳树洪李厚君杨凡刘景贤黄剑华
- 文献传递
- 具有方向一致性的纹理图像的方向场估计方法
- 本发明具有方向一致性的纹理图像的方向场估计方法，包括以下步骤：步骤1：样本采集：采集样本的尺寸设为m×m，样本包括具有方向一致性的纹理图像子区域以及不包括纹理或具有其他类型纹理的子图像组成；步骤2：样本的方向标注；步骤3...
- 杨超刘洪蓝赠美刘晓晖王日凤李厚君
- 文献传递
- 基于AdaBoost的眉毛检测与定位
- 文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586.通过把这些图像缩小1...
- 李厚君李玉鑑
- 关键词：HAAR-LIKE特征
- 用于指导经皮椎体成形术的影像生物标记物及其用途
- 本发明用于指导经皮椎体成形术的影像生物标记物及其用途，涉及医学中的一种标记物及其用途，该影像生物标记物包括术前影像生物标记物和术后影像生物标记物，术前影像生物标记物分别为：椎体压缩程度、椎体高度、椎弓根左右径及上下径大小...
- 刘洪李龙蓝赠美吕亚萍徐奕奕李厚君王日风
- 文献传递
- 基于梯度模板匹配的眉毛识别方法被引量：1
- 2018年
- 针对基于快速傅里叶变换的眉毛识别方法 (FFTER)识别速度较慢的问题,设计了一种新的基于梯度模板匹配的眉毛识别方法 (GTMER).该方法识别速度更快,更能够适合于实时应用.首先,利用图像梯度特征,快速匹配出纯眉毛模板的最相似区域;然后,通过小范围内的精准调整,得到一个准确的匹配位置;最后,利用傅里叶频谱距离,将待处理眉毛图像识别出来.实验表明:GTMER的识别速度最高比FFTER提升约38%,同时在BJUTED眉毛数据库上的识别正确率也达到98.12%.
- 李厚君
- 关键词：眉毛识别图像梯度生物特征识别
