-
公开(公告)号：CN115376159B
公开(公告)日：2025-05-16
申请号：CN202210820445.9
申请日：2022-07-13
Applicant: 南开大学
Abstract: 本发明提供了一种基于多模态信息的跨外观行人重识别方法，包括以下步骤：预处理跨外观行人重识别数据集；从视觉图像中获取行人的轮廓图像与部件语义图像；利用网络模型提取特征矩阵；将三个特征矩阵拼接为融合特征矩阵；对四个特征矩阵，分别进行池化下采样获取特征；再分别使用批次归一化和全连接层获取分类特征；计算损失；损失层梯度反向传播，更新网络模型及其全连接层的权值参数；重复上述步骤，直至网络模型收敛，或者达到最大迭代次数；使用融合推理特征作为行人特征表示进行检索，融合推理特征由融合特征采用批次归一化获取。本发明有效地缓解了网络过于关注行人外观信息的问题，提升了跨外观行人重识别模型的检索性能。
-
公开(公告)号：CN115587627A
公开(公告)日：2023-01-10
申请号：CN202211271767.9
申请日：2022-10-18
Applicant: 南开大学
Abstract: 本发明提供了一种细粒度导向的小目标检测方法，包括以下步骤：预处理小目标检测数据集，利用滑动窗口对训练图像进行裁剪；根据标注框位置信息，生成分割分支伪标签；对裁剪后的小目标图像做数据增强，再分别输入特征提取网络模型；将输出的特征矩阵输入到小目标检测分支和分割分支；小目标检测分支和分割分支并行训练、独立优化；直至特征提取网络模型收敛，训练阶段结束；测试阶段，移除分割分支，分割分支不参与模型推理过程。本发明在网络训练过程中，新增分割分支，引导特征提取网络对于输入图像细粒度特征的学习，并设计分割分支伪标签，消除背景噪音的影响，且在不增加模型推理计算代价的前提下针对性地提高模型对小目标检测能力。
-
公开(公告)号：CN114881148A
公开(公告)日：2022-08-09
申请号：CN202210507772.9
申请日：2022-05-11
Applicant: 南开大学
Abstract: 本发明提供了一种基于特征重路由的多分类器优化方法，包括以下步骤：S1：构建MCN模型；S2：对于骨干网的每一层权值wi和输出的特征fi按比例参数τi拆分成；S3：MCN模型的前向传播Forward与反向传播Backward为：πi(·)表示该分类器的输出；表示被多个分类器共享的权值wi对应的多个分类器对其梯度的总和。本发明通过分拆多分类器共享的特征值来减少各个分类器的共享权值数量，从而避免学习冲突，同时通过复用不同分类器学习到的不同尺度的特征，提升MCN的性能；此外，基于特征重路由，MCN在训练过程中还可以降低反向传播计算复杂度，从而加速MCN的训练。
-
公开(公告)号：CN111768002B
公开(公告)日：2021-06-22
申请号：CN202010661226.1
申请日：2020-07-10
Applicant: 南开大学
Abstract: 本发明提供了一种基于弹性有效位的深度神经网络量化方法，将定点数或者浮点数量化为具有弹性有效位数的量化值，丢弃多余的尾数部分，并采用可行求解的方式来定量评价量化值与原始数据的分布差异。本发明具有弹性有效位的量化值，通过不同的有效位，量化值的分布可以覆盖从长尾到均匀的一系列钟形分布，适应DNNs的权值/激活分布，从而保证低的精度损失；乘法计算在硬件上可以由多次的移位加法实现，提升量化模型的整体效率；分布差异函数定量地估计不同量化方案带来的量化损失，可以在不同的条件下选择最优的量化方案，实现更低的量化损失，提升量化模型的精度。
-
公开(公告)号：CN110223291A
公开(公告)日：2019-09-10
申请号：CN201910534317.6
申请日：2019-06-20
Applicant: 南开大学
Abstract: 本发明公开一种基于损失函数的训练眼底病变点分割网络方法，使用损失函数来训练深度分割网络，来对眼底病变点进行高效地分割。根据指示器函数的结果，判断负样本被保留还是丢弃，指示器函数取值为1则保留负样本，反之则丢弃负样本。以此来提高网络的判别能力和学习速率，其中，易分样本以较高的概率丢弃，难分样本以较低的概率丢弃；在保留难分样本的情况下，可以节约大量的样本选择时间，从而使得网络集中在难分样本的学习上。本发明可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。
-
Patent Agency Ranking
公开(公告)号：CN119991691A
公开(公告)日：2025-05-13
申请号：CN202510475199.1
申请日：2025-04-16
Applicant: 南开大学
IPC: G06T7/10 , G06N3/0895 , G06N3/096
Abstract: 本发明涉及医疗图像处理技术领域，具体涉及一种跨频协同训练的半监督口腔科影像分割方法，旨在解决现有半监督分割方法在医学图像分割中教师模型自学习能力不足、忽视频域信息及混合机制破坏病变结构的问题；通过小波变换将图像分解为低频、高频和全频图像，采用两个专长学生网络和一个综合教师网络协同训练，利用交叉熵与Dice损失监督有标注数据，结合跨频一致性与全频一致性损失挖掘无标注数据；通过不确定性跨频混合机制，在高置信度图像块间双向循环混合生成新样本，保留目标结构完整性。提供了一种高效、准确的分割方案，为口腔治疗术前评估提供可靠支持，降低临床劳动成本并提升治疗成功率。
-
公开(公告)号：CN116579030A
公开(公告)日：2023-08-11
申请号：CN202310561814.1
申请日：2023-05-18
IPC: G06F21/78 , G06F12/1009 , G06F9/54
Abstract: 本发明提供了一种扩展物联网设备上安全资源的内存优化方法，包括以下步骤：步骤1：对计算任务进行预处理，获得计算任务运行需要的内存大小和计算任务输入参数的内存大小；步骤2：根据计算任务运行需要的内存大小确定安全内存大小；根据计算任务输入参数的内存大小和传输延迟确定共享内存大小；步骤3：在物理内存中设置共享内存地址域和安全内存地址域；步骤4：优化页表重映射操作：完成页表的全部映射后重置页表的映射。本发明从软硬件协同角度共同修改，扩展了物联网设备可用安全内存大小，可以将计算任务全部部署在TEE内，保护计算任务的全部过程，并且仅需一次世界切换操作即可在TEE内完成所有的计算，提高了计算效率。
-
公开(公告)号：CN115661463A
公开(公告)日：2023-01-31
申请号：CN202211432720.6
申请日：2022-11-16
Applicant: 南开大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70
Abstract: 本发明提供了一种基于尺度感知注意力的半监督语义分割方法，包括以下步骤：获取多目标语义分割数据集，对有像素级标签数据和无像素级标签数据进行预处理，利用有像素级标签数据划分的训练集训练尺度感知注意力网络；获取训练集中每张图像的尺度重要性以及目标分割结果的尺度分布，训练可信度预测模型；将无像素级标签数据输入尺度感知注意力网络，输出得到尺度重要性以及伪标签；利用训练好的可信度预测模型对伪标签的可信度进行预测；根据预测出的可信度对伪标签进行筛选，扩充训练集并重新训练尺度感知注意力网络。本发明利用尺度注意力模块动态分配不同尺度特征的权重，并利用无像素级标签的图像进一步提高多尺度目标语义分割的效果。
-
公开(公告)号：CN114594929A
公开(公告)日：2022-06-07
申请号：CN202210103618.5
申请日：2022-01-27
Abstract: 本发明提供了一种基于TrustZone的Solidity语言智能合约可信执行引擎，包括解释器、指令集、数据段和预取数据段，所述解释器分别与所述指令集、数据段和预取数据段连接，所述数据段与预取数据段连接，所述解释器，用于从合约字节码中取出指令，并进行指令的解释和执行，所述指令集描述了指令的操作码到功能函数的映射，所述数据段，用于存储智能合约执行过程中的中间数据，所述预取数据段，用于存储智能合约执行过程中用到的合约字节码、交易参数、函数输入参数和合约持久化存储数据。本发明为Solidity语言智能合约字节码提供正确的解释执行功能，并根据TrustZone执行机制提供执行效率和内存消耗的优化。
-
公开(公告)号：CN115116095B
公开(公告)日：2025-04-18
申请号：CN202210819309.8
申请日：2022-07-13
Applicant: 南开大学
Abstract: 本发明提供了一种融合外观信息的行人重识别联合优化方法，包括以下步骤：利用数据增强策略预处理跨外观行人重识别数据集；根据图像中行人的身份属性和外观属性，生成多身份多外观的批次图像；使用特征提取网络提取高维特征矩阵，池化获取行人高维特征，批次归一化得到行人推理特征；基于行人推理特征连接不同的全连接层分别获取身份分类特征和外观分类特征；计算最难三元损失、多外观三元损失、身份分类损失和外观分类损失，四种损失加权求和并端到端地联合优化；损失层梯度反向传播，更新权值参数；迭代计算直至特征提取网络模型收敛。本发明提升了模型在同外观和跨外观环境下的综合检索性能。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.091 seconds)
