-
公开(公告)号：CN112613433A
公开(公告)日：2021-04-06
申请号：CN202011582655.6
申请日：2020-12-28
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种行人重识别的生成数据的伪标签分配方法及系统，包括利用深层卷积生成对抗网络的方法在行人重识别的真实数据集的基础上生成无标签的数据并构成无标签数据集；根据动态标签分布为无标签数据集中的无标签的数据分配虚拟标签，再通过设置稀疏化因子随机将一定数量的虚拟标签的权重设置为0，得到稀疏正则化多伪标签；利用Softmax进行预测获得行人属于某个预定义类的概率；根据标签分布和概率，得到优化的交叉熵损失函数；将无标签数据集与稀疏正则化多伪标签进行结合，再与真实数据集融合构成训练样本，根据损失函数对训练样本进行训练得到行人重识别模型。避免了模型在某些预定义类的特征上出现过拟合的现象，提升了模型的泛化性能力。
-
公开(公告)号：CN115147908B
公开(公告)日：2025-05-06
申请号：CN202210879588.7
申请日：2022-07-25
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/16 , G06V40/40 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请提出了一种基于图像patch序损失的人脸鉴伪方法，包括：S1、获取包含训练图像及其标签信息的人像鉴伪数据集；S2、对所述人像鉴伪数据集进行数据处理，包括：对所述训练图像进行均匀切割并打乱所述训练图像的初始patch序列集合，得到所述训练图像的第一patch序列集合；对所述第一patch序列集合进行增强处理，得到第二patch序列集合；将不同所述训练图像的所述第一patch序列集合和所述第二patch序列集合中的patch块进行随机交换，从而得到处理后的人像鉴伪数据集；S3、利用所述处理后的人像鉴伪数据集训练得到神经网络分类模型；S4、将待检测图像输入到所述神经网络分类模型中。本申请的人像鉴伪方法极大的节约了训练成本和数据收集成本，并且具有较高的判别准确性。
-
公开(公告)号：CN114820687B
公开(公告)日：2025-04-04
申请号：CN202210610953.4
申请日：2022-05-31
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种闭环的端到端行人重识别背景抑制方法和系统，包括利用第一路网络中的残差卷积块提取输入的原始图像的特征，并通过第一损失函数L1进行约束；通过Mask r‑CNN获得特征的人体掩膜利用掩膜预测损失函数Lmask修正掩膜的精准度；将人体掩膜和原始图像相乘，获得前景图像，将前景图像作为第二路网络的输入，并将第一路网络的残差卷积块的特征引入第二路网络，利用第二损失函数L2进行约束。本发明在多个行人重识别的数据集上都取得具有竞争力的性能。
-
公开(公告)号：CN114863486B
公开(公告)日：2024-12-10
申请号：CN202210607692.0
申请日：2022-05-31
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/10 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明给出了一种联合全局和局部信息的层次监督行人再识别方法和系统，包括：将输入图像切成多个图像小块作为分支网络的输入；将部分分支网络的网络块特征信息通过卷积层后引入ResNet50分支网络中对应的残差卷积块，卷积层将2D张量拓展为4D张量；将4D张量特征信息和对应的残差卷积块进行通道级联；将网络分支通过卷积层转换后的特征和对应的ResNet50特征经过双线性池化层以及特征融合交互，并通过损失函数进行约束。本发明提出的方法和系统执行一个单向聚合操作来推动CNN学习全局特征信息的同时，结合双线性池化来执行层次监督，在跨长时间段的行人重识别数据集上有很显著的性能提升。
-
公开(公告)号：CN115690501A
公开(公告)日：2023-02-03
申请号：CN202211357962.3
申请日：2022-11-01
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/764 , G06V10/42 , G06V10/28 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于细粒度特征的深度伪造图像检测方法和系统，包括利用图像检测的主干网络提取特征，主干网络包括四个残差卷积块；对提取到的全局特征沿水平分成若干块，构建细粒度特征，并将细粒度特征用于引导残差卷积块的输出特征，利用损失函数约束；将细粒度特征和全局特征通过池化，并对池化输出的特征通过分类损失进行约束训练。本发明在并不需要涉及复杂的注意力机制模块，也不引入额外的训练参数，就可以增加使得模型获取到更鲁棒的特征，跨域的深度伪造检测准确率有显著的提升。
-
Patent Agency Ranking
公开(公告)号：CN115424036A
公开(公告)日：2022-12-02
申请号：CN202211153622.9
申请日：2022-09-21
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/44 , G06N3/04 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 公开了基于像素级注意力机制的深度伪造图像检测方法和系统，包括在图像检测的主干网络中的提取特征之后插入像素级注意力机制模块，利用一个1*1卷积对特征信息Fi进行通道压缩，压缩通道并将降维后的特征和原始图像相加得到特征Fii；将特征Fii再经过一个1*1卷积和Sigmoid激活函数得到增强后的特征信息；将增强后的特征信息作为下一特征提取阶段的输入，重复进行前述步骤进行特征信息增强，并利用标签平滑正则化的交叉嫡损失函数进行约束。本发明提出的像素级注意力机制模块较为灵活，可以随意插入不同卷积层之后，而且在推理过程中不会增加太多参数量和运算量。
-
公开(公告)号：CN113327265B
公开(公告)日：2022-07-15
申请号：CN202110649574.1
申请日：2021-06-10
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种基于指导学习策略的光流估计方法和系统，包括将图像分别送入教师网络和学生网络进行特征提取获取对应的特征图；计算学生网络和教师网络所获取的特征图的欧式距离，并使其最小化；利用损失函数最小化学生网络的光流估计值和真实标签值，利用教师网络的解码器的特征指导学生网络的训练。该方法和系统可以获得参数量更小但仍具有良好性能的学生网络，该指导学习策略在多个数据集上都取得具有竞争力的性能，并且在很大程度上对模型进行了压缩。
-
公开(公告)号：CN114219980A
公开(公告)日：2022-03-22
申请号：CN202111491247.4
申请日：2021-12-08
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/80 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提出了一种基于多尺度的车型识别算法，包括：S1、将原图输入至ResNet50网络中进行卷积池化，对输出的特征信息进行广义均值池化，得到全局特征信息；S2、对所述原图进行移除背景处理，得到二值化掩膜，将所述二值化掩膜与所述原图相乘得到前景图像；S3、将所述前景图像输入至所述ResNet50网络的第一个残差卷积块，并将输出的特征信息输入至HRNet网络中，对所述HRNet网络输出的特征信息进行广义均值池化，得到多尺度特征信息；S4、对所述全局特征信息和所述多尺度特征信息进行级联得到级联特征，将所述级联特征输入至BN层和分类层，并利用三元组损失函数和交叉熵损失函数进行分类训练，从而识别车型。本发明具体提高车型识别精度的效果。
-
公开(公告)号：CN117095329A
公开(公告)日：2023-11-21
申请号：CN202310959022.X
申请日：2023-08-01
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V20/40 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 公开了一种减缓行人属性识别类内变化的方法和系统，包括接收数据集中任一张图像xi输入主干网络进行多标签分类任务的行人属性识别，采用二值交叉熵作为损失函数；利用指数信息瓶颈作用于主干网络的每个卷积模块和注意力机制模块，过滤特征中存在的冗余干扰特征信息。本申请提出的指数信息瓶颈方法可以集成到注意力模块中，形成一个新颖的行人熟悉识别网络，可以进一步处理基于注意力机制的属性内变化，指数信息瓶颈方法是即插即用的，在推理期间没有任何额外的计算开销。
-
公开(公告)号：CN115578714A
公开(公告)日：2023-01-06
申请号：CN202211183158.8
申请日：2022-09-27
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 公开了一种基于浅层特征信息增强的车辆颜色识别方法和系统，包括在车辆颜色识别的卷积神经网络中嵌入浅层特征信息增强模块，卷积神经网络包括浅层卷积块、中层卷积块和高层卷积块，浅层特征信息增强模块嵌入浅层卷积块和中层卷积块之后；车辆图片作为浅层卷积块的输入依次进行特征提取，浅层特征信息增强模块接收特征输入，经过多个1*1卷积层获得不同维度的特征，对不同维度的特征进行矩阵相乘获得增强信息表达的特征，送入下一卷积块；将各卷积块的特征依次送入全局平均池化层、对应的分类层进行分类，并利用标签平滑正则化的交叉熵损失函数进行约束。浅层特征信息增强模块可灵活的插入卷积神经网络任意位置，增强特征信息，增加模型的泛化性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.036 seconds)
