-
公开(公告)号：CN111582220B
公开(公告)日：2023-05-26
申请号：CN202010419839.4
申请日：2020-05-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于移位图卷积神经网络骨骼点行为识别系统包括：图像获取模块、图像处理模块、提取模块和行为识别模块，其中图像获取模块用于获取行为图像；图像处理模块用于处理图像获取模块获取的行为图像进行图像处理；提取模块用于提取图像处理模块处理后图像的骨骼点；行为识别模块用于识别提取模块提取骨骼点行为特征的。本发明设计行为识别模块进行对骨骼点行为识别，减小图卷积计算量的新型图卷积，与传统图卷积不同，移位图卷积不是通过扩大卷积核来扩展感受范围，而是通过新型移位操作来使得图特征进行移位拼接，在显著减少计算量提高计算速度的情况下达到同样甚至更高的识别精度，避免传统图卷积的计算量会随着卷积核增大而增大。
-
公开(公告)号：CN111027568B
公开(公告)日：2023-04-18
申请号：CN201911047484.4
申请日：2019-10-30
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明公开了一种迭代的神经网络批量规范化系统，包括特征预处理单元、神经网络构建单元和网络批量规范单元；所述特征预处理单元可以对需要进行识别的图片进行特征预处理，去除背景中干扰信息；所述神经网络构建单元可以训练出识别图像内容的学习网络，进一步处理图片；所述网络批量规范单元可以对神经网络的训练模式进行改进，提高训练过程中的收敛速度。本发明通过批量规范了神经网络的训练过程，减少了神经网络构建的代价，提高了神经网络的训练速度。
-
公开(公告)号：CN115393847A
公开(公告)日：2022-11-25
申请号：CN202211341358.1
申请日：2022-10-31
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院自动化研究所
Abstract: 本发明提供了一种基质细胞功能状况的识别分析方法及装置，其中，方法包括：构建包含角膜基质层共聚焦图像在内的专家数据库，基于专家数据库，利用机器学习方法构建专家模型；向每个基质层分别设计并训练得到对应的水肿情况判别模型和基质细胞检测模型，获取目标患者的每个基质层的共聚焦图像，并基于对应的水肿情况判别模型和基质细胞检测模型进行识别；基于专家模型对识别结果进行分析，得到目标患者的基质细胞功能状况。通过综合考虑多个基质层的水肿情况和基质细胞密度，可以自动分析患者的基质细胞功能状况，给医生提供参考，有助于后续疾病的判断。
-
公开(公告)号：CN115393351A
公开(公告)日：2022-11-25
申请号：CN202211322197.1
申请日：2022-10-27
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院自动化研究所
IPC: G06T7/00 , G06T7/62 , G06V10/26 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置，其方法，包括：收集不同程度免疫性角膜疾病患者的共聚焦图像并挑选，获取目标共聚焦图像并构建专家数据库，基于专家数据库，确定机器学习模型；对朗格汉斯细胞实例分割模型进行设计与训练；将待识别图像输入至朗格汉斯细胞实例分割模型中进行推理，确定不同类型的朗格汉斯细胞的细胞密度及细胞个数占比；将不同类型朗格汉斯细胞的细胞密度及细胞个数占比输入至机器学习模型中，预测角膜免疫状态的级别。本方案的朗格汉斯细胞实例分割模型可以自动识别细胞的位置和类型，结合专家库建模结果，可以帮助医生更快、更准确判断患者的角膜免疫状态。
-
公开(公告)号：CN114511785A
公开(公告)日：2022-05-17
申请号：CN202210151693.9
申请日：2022-02-18
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提供了一种基于瓶颈注意力模块的遥感图像云检测方法及系统，属于遥感图像处理技术领域。该方法步骤如下：步骤1、获取并处理样本集；步骤2、搭建遥感图像云检测网络框架；步骤3、对遥感图像云检测网络进行迭代训练；步骤4、输出遥感图像云检测预测结果。检测系统包括样本获取模块、网络框架搭建模块、训练模块、输出模块四部分。本发明所构建的遥感图像云检测网络采用一种瓶颈注意力的结构，该结构结合了轻量化卷积，线性逆转残差结构，坐标注意力机制三者各自的优点，主要解决了网络采用轻量化卷积后，导致的特征量减少，精度下降等问题，实现了以低参数量和低运算量的云检测系统，达到更高精度的轻量型在轨云检测效果。
-
Patent Agency Ranking
公开(公告)号：CN114360002A
公开(公告)日：2022-04-15
申请号：CN202111509411.X
申请日：2021-12-10
Applicant: 中国科学院自动化研究所
IPC: G06V40/16 , G06N20/20 , G06K9/62 , G06V10/774 , G06V10/80
Abstract: 本发明提供一种基于联邦学习的人脸识别模型训练方法及装置，方法包括：接收服务器发送的等效类别向量矩阵和第一骨干网络参数；基于第一骨干网络参数、目标客户端的样本人脸图像、目标客户端的第一类别向量及等效类别向量矩阵，对人脸识别模型进行训练，得到目标人脸识别模型及目标客户端的第二类别向量；向服务器发送第二类别向量和目标人脸识别模型的目标骨干网络参数。通过等效类别向量使得各目标客户端之间不共享类别向量，保证了用户的隐私信息，而且提升了用户人脸识别的准确率。
-
公开(公告)号：CN112184587A
公开(公告)日：2021-01-05
申请号：CN202011049771.1
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统，该方法通过对网络模型中卷积网络感受野的减少、图像处理中的重叠切分以及硬件方面对内存扩展三者之间的协同优化，实现了对图像边缘数据的有效增强，在图像超分辨重建、去模糊、去雾化等低等级视觉任务的深度学习算法领域达到在适用于边缘端部署应用的目的。本发明同时也解决了在计算能力弱、内存空间小的边缘端部署深度神经网络的问题，以及发明中涉及的边缘端实时处理图像信号的任务，可以代替一些监控场景中传统的实时处理图像信号的模块，进而实现更加丰富的功能，和更加优秀的成像效果。
-
公开(公告)号：CN112150384A
公开(公告)日：2020-12-29
申请号：CN202011049794.2
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种基于残差网络与动态卷积网络模型融合的方法及系统，包括以下步骤：首先，组建用于构建机器学习训练的图像数据集；其次，构建多个训练网络，将数据集放入学习；再次，融合网络模型输出结果集，并在融合过程中使用crop‑ensemble方法对图像进行处理，将生成的结果进行像素的加权求值；最后，得到特定位置的像素值。本发明利用非局部残差网络与双路径动态卷积网络的模型融合，并通过使用剪裁增强方法，得到远高于单独模型的结果。
-
公开(公告)号：CN112150363A
公开(公告)日：2020-12-29
申请号：CN202011049682.7
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种基于卷积神经网络的图像夜景处理方法及运行该方法的计算模块与可读存储介质，方法包括如下步骤：步骤1、采集多组RAW格式数据样本；步骤2、设计超级夜景网络模型；步骤3、对步骤2中的超级夜景网络模型进行训练；步骤4、输出结果。本发明通过建立超级夜景网络模型并对该模型进行训练，首先依据需求建立基础数据集，并以此训练上述SNN网络，根据性能测试结果。若模型预测结果不理想，则根据场景需求，对数据集进行扩充或重构。仅需从相机CMOS取出RAW数据，即可得到观感极佳的超级夜景图片，避免传统的夜景功能长时间曝光导致图像抖动、残影的问题出现，也进一步避免了采用AI技术合成图像时受图像抖动、残影的影响。
-
公开(公告)号：CN111681479A
公开(公告)日：2020-09-18
申请号：CN202010592273.5
申请日：2020-06-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于电子教学领域，具体涉及了一种自适应情境化人工智能教学系统、方法及装置，旨在解决常规方式去讲解人工智能知识和应用学习效率低、知识转化困难学生积极性不高的问题。本发明包括：学员评测模块对学员进行评测，根据评测结果生成学员的学习状况档案，情境互动模块根据学习状况档案生成情境实践游戏，学习管理模块根据学员在情境互动模块中解决问题的操作时间及操作步骤生成学习报告并更新学习状况档案。本发明通过情境互动的方式增强学员的代入感和体验感，并根据学员解决问题的时间和操作步骤调整学习计划，增强了教学系统的自适应能力实现个性化教学。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.038 seconds)
