一种对象检测模型的对抗扰动生成方法和装置

    公开(公告)号:CN109902705A

    公开(公告)日:2019-06-18

    申请号:CN201811281358.0

    申请日:2018-10-30

    Abstract: 本发明实施例公开了一种对象检测模型的对抗扰动生成方法和装置。该方法包括:获取第一对抗扰动和第一训练样本集。根据第一训练样本集中的第一训练样本和第一对抗扰动确定出第一对抗样本,基于对象检测模型确定出的第一对抗样本对应的第一目标对象置信度集合对上述第一对抗扰动进行第一次对抗扰动修正,以得到第二对抗扰动。后续每次从第一训练样本集获取新的训练样本后,会基于新的训练样本和上一次对抗扰动修正得到的对抗扰动再次修正得到新的对抗扰动。当N次修正得到的N个对抗扰动收敛时,将第N次对抗扰动修正得到的第N+1对抗扰动确定为对象检测模型对应的目标对抗扰动。采用本发明实施例,可提升对抗扰动生成方法的效率和适用性。

    基于强化学习的图片自动裁剪的方法及装置

    公开(公告)号:CN108154464B

    公开(公告)日:2020-09-22

    申请号:CN201711276935.2

    申请日:2017-12-06

    Abstract: 本发明涉及图像处理领域,具体提供了一种基于强化学习的图片自动裁剪的方法及装置,旨在解决如何快速地获得精确的图片裁剪结果的技术问题。为此目的,本发明中的基于强化学习的图片自动裁剪的方法,包括步骤:利用强化学习模型对当前裁剪窗口进行特征提取获得局部特征,并将其与待裁剪图片的全局特征进行拼接,得到新的特征向量,将新的特征向量作为当前观测信息;利用强化学习模型得到的历史观测信息与当前观测信息结合作为当前的状态表示;根据裁剪策略以及当前的状态表示,对待裁剪图片序列化地执行裁剪动作,得到裁剪结果;其中,强化学习模型为基于卷积神经网络构建的模型。通过本发明可以快速地获取准确的图片裁剪结果。

    基于强化学习的图片自动裁剪的方法及装置

    公开(公告)号:CN108154464A

    公开(公告)日:2018-06-12

    申请号:CN201711276935.2

    申请日:2017-12-06

    Abstract: 本发明涉及图像处理领域,具体提供了一种基于强化学习的图片自动裁剪的方法及装置,旨在解决如何快速地获得精确的图片裁剪结果的技术问题。为此目的,本发明中的基于强化学习的图片自动裁剪的方法,包括步骤:利用强化学习模型对当前裁剪窗口进行特征提取获得局部特征,并将其与待裁剪图片的全局特征进行拼接,得到新的特征向量,将新的特征向量作为当前观测信息;利用强化学习模型得到的历史观测信息与当前观测信息结合作为当前的状态表示;根据裁剪策略以及当前的状态表示,对待裁剪图片序列化地执行裁剪动作,得到裁剪结果;其中,强化学习模型为基于卷积神经网络构建的模型。通过本发明可以快速地获取准确的图片裁剪结果。

Patent Agency Ranking