-
公开(公告)号：CN115705736A
公开(公告)日：2023-02-17
申请号：CN202110919126.9
申请日：2021-08-11
Applicant: 中国科学院信息工程研究所
IPC: G06V30/41 , G06V30/19 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0475 , G06N3/08 , G06F40/295
Abstract: 本发明公开了一种基于深度注意力融合的图像描述生成方法，其步骤包括：1)提取样本图像中包含的实体，并提取所述实体的图像特征；2)创建一图像描述生成网络，其包括图像特征编码网络和图像描述解码网络；3)将每一样本对应的各图像特征输入图像特征编码网络，提取该样本图像的多层深度特征；将图像特征编码网络第i层自注意力变换层的输出特征输入图像描述解码网络的第i层LSTM，生成一文本特征，然后将该文本特征和第i‑1层预测文本生成第i层LSTM的预测文本并输入第i+1层LSTM；4)基于各样本的最终预测文本优化图像描述生成网络；5)将待生成描述的图像的特征输入图像描述生成网络，生成该图像的文字描述。
-
公开(公告)号：CN115601634A
公开(公告)日：2023-01-13
申请号：CN202110710190.6
申请日：2021-06-25
Applicant: 中国科学院信息工程研究所(CN)
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于层次性注意力机制的图像叶片识别方法及装置，包括生成输入图像的不同层次类别激活图；将不同层次类别激活图融合成一注意力图，并利用该注意力图，得到若干张不同的采样图像；拼接各采样图像的特征向量与输入图像的特征向量，并基于得到的拼接特征向量，获取图像叶片识别结果。本发明基于人类植物学家的分类策略构造层次性注意力机制，并结合采样变换与深度学习方法，放大图片中的关键区域，可以取得很高的准确率。
-
公开(公告)号：CN114897708A
公开(公告)日：2022-08-12
申请号：CN202210198264.7
申请日：2022-03-02
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于深度学习和反射率的阴影去除方法，其步骤包括：1)将所选彩色的阴影图像分别转换成灰度图像和颜色图像并进行阴影标注；将监督图像设定为阴影图像的灰度图像和对应无阴影图像的灰度图像之间的比例图像；2)利用训练数据训练U型深度神经网络；3)对于一待处理图像A，计算图像A的阴影区域中各个像素的反射率；4)根据反射率计算图像A的阴影区域中各个像素在白光照射下呈现的颜色，将所得颜色作为对应像素在阴影去除后的颜色，生成图像A阴影去除后的颜色图像B；5)将图像A的颜色图像输入U型深度神经网络，生成一比例图像PA；然后根据图像PA生成图像B的灰度图像，再结合图像B生成图像A对应的阴影去除图像。
-
公开(公告)号：CN114882267A
公开(公告)日：2022-08-09
申请号：CN202210342541.7
申请日：2022-03-31
Applicant: 中国科学院信息工程研究所
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06V10/82 , G06F17/16 , G06F17/18
Abstract: 本发明公开一种基于相关区域的小样本图像分类方法及系统。本发明首先考虑样本的区域自相关关系，对特征进行增强；然后考虑支持集之间的跨样本区域相关性关系，对当前类别的特征提取出共性，进一步实现特征增强；最后考虑支持集和查询集之间的跨样本区域相关性关系，找到查询集和支持集特征相似的目标区域，通过相似度计算得到最后的分类结果。根据定性分析实验结果，当使用了本发明提出的方法后，可以更好的关注到同一类别中的共同区域，并对这一部分区域进行增强，从而特征更具表示性；在定量分析中，通过消融实验和对比实验，可以发现跨样本的注意力模块在用于支持集之间、支持集和查询集之间都会对分类结果带来提升。
-
公开(公告)号：CN109344709A
公开(公告)日：2019-02-15
申请号：CN201810996340.2
申请日：2018-08-29
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种人脸生成伪造图像的检测方法，步骤包括：根据训练图像集中所有训练图像的每个像素点的多个颜色通道，在每个像素点的位置进行采样，得到训练图像集的采样点集和其中每张训练图像的采样点集；对训练图像集的采样点集进行分布建模，并计算得到其参数；基于该参数，对每张训练图像的采样点集进行编码，构建其检测特征，将每幅训练图像的检测特征与其对应的训练图像标签进行模型训练，得到检测分类器；根据待检测图像的每个像素点的多个颜色通道，在每个像素点的位置进行采样，得到采样点集；基于上述参数，对待检测图像的采样点集进行编码，构建其检测特征，将待检测图像的检测特征输入到检测分类器，进行人脸生成伪造图像的检测。
-
Patent Agency Ranking
公开(公告)号：CN103559235A
公开(公告)日：2014-02-05
申请号：CN201310507897.2
申请日：2013-10-24
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种在线社交网络恶意网页检测识别方法，步骤为：1）对在线社交网络中任意一个待检测识别的网页，统计该网页中所有关键字的出现频率；根据网页中源代码将网页分成：HTML标签集合或JavaScript集合或URL集合中一种或者多种不同类型的集合；2）从上述不为空的集合中提取辨别混淆性质得到网页的关联性特征；3）创建关联信息数据库并实时更新数据库中的网页的关联性特征，根据关联性特征提取得到网页传播速度；4）根据页传播速度，并结合统计得到的上述特征检测识别出恶意网页。本发明不但具有很好的普适性能够较准确的描述在线社交网络恶意网页的特征，而且对恶意网页的检测识别更加准确、效率更高、分析成本更低。
-
公开(公告)号：CN117494780A
公开(公告)日：2024-02-02
申请号：CN202311105587.8
申请日：2023-08-30
Applicant: 中国科学院信息工程研究所
IPC: G06N3/082 , G06N3/0464 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种混合学习中知识蒸馏的学生网络训练方法，其步骤包括：1)在训练数据上选取目标领域的训练样本；2)将训练样本预处理后分别输入学生网络、教师网络，获得相应的学生网络logit、教师网络logit；3)将每个学生网络logit、教师网络logit分别进行Z‑score标准化处理；4)将Z‑score标准化后的教师网络logit、学生网络logit转化为概率形式；5)任选一教师网络logit对应的概率和学生网络logit对应的概率，并计算所选两概率之间的KL散度作为损失函数，进行梯度下降优化蒸馏学生网络。本发明解决了深度学习知识蒸馏算法中教师网络和学生网络之间能力鸿沟问题。
-
公开(公告)号：CN111754459B
公开(公告)日：2023-08-25
申请号：CN202010428810.2
申请日：2020-05-20
Applicant: 中国科学院信息工程研究所
IPC: G06T7/00 , G06T7/90 , G06N3/0464
Abstract: 本发明提供一种基于统计深度特征的染色伪造图像检测方法及电子装置，该方法包括：将图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的直方图统计分布信息串联得到颜色统计分布向量；提取颜色统计分布向量的统计深度特征，并对统计深度特征进行特征抽象任务，得到池化特征；对池化特征进行分类，根据正负样本的概率值，判定染色伪造图像。本发明利用端到端的深度学习技术对染色伪造图像和自然图像的统计分布差异进行深度特征提取并完成分类任务，染色伪造图像检测模型的性能得到大大提升。
-
公开(公告)号：CN112001427B
公开(公告)日：2022-11-15
申请号：CN202010771876.1
申请日：2020-08-04
Applicant: 中国科学院信息工程研究所
IPC: G06V10/774 , G06V10/74 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于类比学习的图像转化方法和装置。本方法首先将待转换的两类非配对的图像整理为源图像集合和目标图像集合，然后构造图像转化网络，然后使用类比损失函数作为训练过程损失函数的一部分，然后对源图像进行图像转化。本方法通过使用类比损失函数，一方面保证了生成图像和源图像跨类别的差异，另一方面也保证了任意两个源图像之间的差异可以保留到生成图像中；基于共享权重的生成式对抗网络结构，让中间的隐变量可以在相同的度量空间中进行类比。同时，共享权重还可以减少模型学习参数，提高运行速度。本发明能够使用非配对图像训练图像转化网络，并获得真实的目标图像。
-
公开(公告)号：CN114972964A
公开(公告)日：2022-08-30
申请号：CN202210397702.2
申请日：2022-04-15
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开一种基于对比学习的域适应物体检测方法及装置，属于计算机视觉技术领域，采用深度神经网络中的ResNet网络，配合对比学习以及特征解耦模块，能够在数据集中只有源域图像数据有标注而目标域图像数据没有标注的情况下匹配源域和目标域中的特征并从中解耦出域不变特征，并以域不变特征为基础进行物体检测。在训练过程中利用对比学习实现了源域和目标域特征的对齐，提高了解耦后特征的一致性，获得了更好的域不变特征，提升了在目标域上的物体检测效果，结果具有高精度高召回率，表明网络域适应能力很强。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.063 seconds)
