公开(公告)号：CN113963170A

公开(公告)日：2022-01-21

申请号：CN202111039181.5

申请日：2021-09-06

Applicant: 上海工程技术大学

Inventor： 赵晓丽 ,  张倬尧 ,  陈正 ,  方志军 ,  叶翰辰

IPC: G06V10/44 ,  G06V10/82 ,  G06V10/764 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于交互式特征融合的RGBD图像显著性检测方法，对训练用图像样本集中各个图像，先利用多层次卷积神经网络模块对彩色图像和深度图像分别进行多级彩色和深度图像特征提取，并且利用交叉特征融合模块，对于深层次卷积提取的彩色和深度图像特征进行多级点乘融合，获得初始显著图像，然后，利用Inception结构对初始显著图像进行多尺度融合，输出网络预测显著图像，最后，利用所述网络预测显著图像和目标显著图像求解焦点熵损失函数，学习到图像显著性检测模型的最优参数，获得训练好的图像显著性检测模型，以此对待处理RGB‑D图像进行显著性检测。本发明的方法简单可靠，操作方便，易于实现，便于推广应用。

公开(公告)号：CN118627588A

公开(公告)日：2024-09-10

申请号：CN202410689504.2

申请日：2024-05-30

Applicant: 上海工程技术大学

Inventor： 赵晓丽 ,  章逾越 ,  叶翰辰

IPC: G06N3/094 ,  G06N3/0895 ,  G06N3/098 ,  G06N3/045 ,  G06N3/0475

Abstract: 本发明公开了基于无监督扰动的针对联邦学习的自监督对抗防御框架，属于联邦学习技术领域。包括：服务器初始化全局模型的模型，并将其模型参数下发给所有所述客户端；所述客户端更新其本地模型的在线网络，基于无监督扰动生成无监督对抗样本，并进行自监督对抗训练，训练完成后所有所述客户端上传其在线网络的模型参数；所述服务器聚合后得到新的全局模型的模型参数并下发；所有所述客户端使用鲁棒性感知指数移动平均算法更新其本地模型的在线网络。重复上述操作，直至满足停止条件，完成训练。本发明在客户端采用无监督对抗样本进行自监督对抗训练，并提出了鲁棒性感知指数移动平均算法来更新客户端的网络，有效地提升联邦学习网络的对抗性防御能力。

公开(公告)号：CN117765234A

公开(公告)日：2024-03-26

申请号：CN202311538301.5

申请日：2023-11-17

Applicant: 上海工程技术大学

Inventor： 赵晓丽 ,  叶翰辰

IPC: G06V10/25 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种基于扩散模型的针对显著目标检测的对抗防御训练方法，构建原始训练集并进行净化，利用净化前后的图像及其预测结果对细化网络模型进行训练；攻击原始训练集中的原始图像得到对抗样本，利用原始图像和对应的对抗样本及其预测结果对多步投票对抗分类器进行训练；构建测试集并进行净化，对净化前后的图像进行目标检测，计算两个预测结果的相似性，判断是否超过阈值，获得检测结果0/1；利用训练好的多步投票对抗分类器对测试集中的图像及其预测结果进行分类，获得分类结果0/1，若两个结果均为1，则为良性，此时原始预测结果为最终结果；否则为对抗，需要利用细化网络模型进行细化检测，输出预测结果即为最终结果。

公开(公告)号：CN115346042A

公开(公告)日：2022-11-15

申请号：CN202210754957.X

申请日：2022-06-29

Applicant: 上海工程技术大学

Inventor： 赵晓丽 ,  章逾越 ,  叶翰辰 ,  方志军

IPC: G06V10/24 ,  G06V10/764 ,  G06V10/774

Abstract: 本发明提出了一种基于自监督学习的显著性目标检测对抗净化方法，属于计算机视觉领域。具体方案为：获取训练集输入图像，将其在四个不同的角度逆时针旋转；针对旋转后的图像，得到旋转预测损失和显著性目标检测损失，最小化两者结合的联合训练损失得到训练模型；获取测试集输入图像，将其随机旋转一个角度；针对旋转后的输入图像，求解最小化旋转预测损失，得到净化图像；并将其旋转复原，输入训练模型的显著性目标检测主任务中，得到显著性目标检测的预测图。本发明通过在SOD网络的中添加一个自监督任务，然后最小化自监督损失来净化对抗样本，与对抗性训练相比，该策略极大地降低了计算成本，并且净化方法对各种测试数据集具有适应性。