公开(公告)号：CN118429747A

公开(公告)日：2024-08-02

申请号：CN202410542639.6

申请日：2024-04-30

Applicant: 东南大学

Inventor： 桂杰 ,  王俊凯 ,  姜丞泽

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/094

Abstract: 本发明公开了一种基于样本特征差异平衡的快速对抗训练方法。该方法从快速对抗训练中数据集样本的特征差异角度出发，通过改善特征差异对训练的不利影响，实现快速对抗训练的性能提升。具体而言，本发明在快速对抗训练中利用样本的特征信息，提出自适应样本特征差异平衡的快速对抗训练方法，并设计了两种不同的方案实现版本，分别是基于样本类别引导的方案和基于样本特征引导的方案。可以根据样本的各自的特征动态的调整训练策略，以提升人工智能模型的鲁棒精度，增加对抗训练稳定性。本发明可作为一种插件，即插即用于目前各主流的快速对抗训练方法，本发明可用于公共安全、信息安全、图像处理以及智能机器人任务。

公开(公告)号：CN118430026A

公开(公告)日：2024-08-02

申请号：CN202410478127.8

申请日：2024-04-19

Applicant: 东南大学

Inventor： 桂杰 ,  王一凡 ,  公鑫

IPC: G06V40/12 ,  G06V40/50 ,  G06V10/25 ,  G06V10/82

Abstract: 本发明提供了一种面向高安全身份识别的可撤销手指静脉检测器，包括BWR‑ROIAlign即插即用模块，由定位、压缩和转换三个子模块构成。CFVD分为浅层特征提取和深层特征提取两个阶段，具体分为五个步骤，包括：步骤1，对原始手指静脉图像进行尺寸归一化并提取浅层特征；步骤2，利用定位子模块获取ROI坐标信息；步骤3，通过压缩子模块对去除浅层特征中的空间冗余；步骤4，利用De‑R Conv对去除空间冗余后的浅层特征进行通道压缩，去除通道冗余；步骤5，经过转换子模块的块扭曲重映射对特征图进行加密，然后提取受保护的深层特征，最终在加密域完成高安全性身份识别。该方案高效安全智能,可实现手指静脉生物特征的撤销复用，并达到99.5％的平均识别准确率。

公开(公告)号：CN116109506A

公开(公告)日：2023-05-12

申请号：CN202310059304.4

申请日：2023-01-17

Applicant: 东南大学

Inventor： 桂杰 ,  丛晓峰

IPC: G06T5/00 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明公开了一种基于梯度信息的图像去雾模型攻击与防御方法。该方法首先对基于深度学习的去雾模型进行训练，然后通过反向传播算法计算扰动信息；将扰动信息添加到有雾图像上用于获得对抗样本，使得去雾模型输出的图像质量降低；设计了三种去雾模型的攻击算法，分别是基于原始去雾图像的攻击、基于掩码的攻击以及基于真实清晰图像的攻击；针对攻击算法设计了相应的防御算法，采用对抗性训练对去雾模型进行防御训练，增加去雾模型的安全性；防御训练过程中动态地生成对抗样本，通过最小化扰动去雾输出与清晰无雾图像之间的距离，提升去雾模型的鲁棒性。本发明可用于公共安全、信息安全、图像处理以及智能机器人任务。

公开(公告)号：CN116757947A

公开(公告)日：2023-09-15

申请号：CN202310695865.3

申请日：2023-06-13

Applicant: 东南大学

Inventor： 桂杰 ,  丛晓峰

IPC: G06T5/00 ,  G06T5/50 ,  G06T7/90 ,  G06V20/05 ,  G06V10/82

Abstract: 本发明公开了一种基于编码解码注意力与跨层白化的水下图像增强方法。包括三个路径，分别为水下图像的特征编码路径、特征解码路径、由实例白化构建的特征跨层传递路径，编码路径与解码路径采用了基于反射填充与窗口模式的视觉多头自注意力模块，训练完成后的网络可以增强水下拍摄图像的质量。其中首先是视觉多头自注意力计算，其次是特征图的反射填充与窗口划分，最后是由多层感知机与层归一化完成模块的最终构建。特征编码路径通过降维过程提取水下图像的特征；特征解码路径通过升维进行水下图像的重建；特征跨层传递路径将编码路径的特征通过实例白化处理传递到解码路径；网络输出的水下图像与参考水下图像进行像素层面与结构层面的约束。

公开(公告)号：CN115937048A

公开(公告)日：2023-04-07

申请号：CN202310059502.0

申请日：2023-01-17

Applicant: 东南大学

Inventor： 丛晓峰 ,  桂杰

IPC: G06T5/00 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于无监督视层嵌入与视觉转换模型的光照可控去雾方法。去雾方法包含四个模块，分别是光照可控去雾网络、去雾判别网络、雾合成网络以及雾合成判别网络，训练完成后的光照可控去雾网络能够获得高质量的去雾图像。光照可控去雾网络与雾合成网络由基于窗口的多头自注意力模块所构成；去雾判别网络与雾合成判别网络由基于残差链接的卷积模块所构成；根据视层转换模型构建光照可控模块；训练过程中使用暗通道先验作为光照可控去雾网络的指导；四个组件的训练过程采用无监督的联合训练方式，通过融合先验损失、图像重建损失与判别损失进行网络参数的更新。本发明可用于交通安全、信息安全、摄影与智能机器人。