-
公开(公告)号：CN110969200B
公开(公告)日：2023-05-12
申请号：CN201911183070.4
申请日：2019-11-27
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/764
Abstract: 本发明涉及图像处理技术领域，具体涉及一种基于一致性负样本的图像目标检测模型训练方法及装置。为了解决现有技术采用固定负样本导致模型难以学习到有判别力的特征的问题，本发明提出一种图像目标检测模型训练方法，该方法包括基于待识别图像中的真实框和预设的初始锚框的重叠度，获取初始图像样本集；根据所述初始图像样本集，通过预设的图像目标检测模型，获取所述与初始锚框对应的预测锚框，基于所述真实框与所述预测锚框的重叠度，获取更新图像样本集；通过所述更新图像样本集训练所述图像目标检测模型。利用本发明的方法和装置能够利用更为全面的信息训练图像目标检测模型。
-
公开(公告)号：CN109858436B
公开(公告)日：2020-11-27
申请号：CN201910087340.5
申请日：2019-01-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于视频图像处理领域，具体涉及一种基于视频动态前景掩膜的目标类别修正方法、检测方法，旨在为了解决基于卷积神经网络的目标检测对小目标检测效果较差的问题。本发明修正方法包括：获取视频帧的第一修正集合；选取大于置信度阈值的目标矩形框作为候选框；将前景二值掩膜图中大于灰度阈值的像素点作为前景点，对每一个候选框，分别计算其前景像素点在其矩形框中的占比，并将其作为前景分数，将该分数与其最大置信目标类别的置信度进行融合，得到修正后的置信度并更新第一修正集合中的对应目标物体的最大置信目标类别置信度。本发明提高了目标检测准确性，尤其能提高小物体等难以被卷积神经网络提取特征的目标检测效果。
-
公开(公告)号：CN111260645A
公开(公告)日：2020-06-09
申请号：CN202010105287.X
申请日：2020-02-20
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于分块分类深度学习的篡改图像检测方法及系统，旨在解决现有技术篡改图像检测准确率和定位精度尚达不到实用要求的问题。本发明方法包括：分别对待检测图像灰度化后分块分类以及设定算子的边缘特征计算；基于分块分类结果，进行待检测图像及特征图的分块分类；通过图像块篡改检测模型获取分类图像块的检测结果、特征图像块的检测结果并进行加权；结合的图像块的标记，进行待检测图像的篡改区域标记。本发明对图像分块分类，分别训练篡改检测模型，检测结果更准确、篡改区域定位更精确，并将未分块的图像边缘直接定义为其最邻近图像块的篡改检测结果，提高检测效率。
-
公开(公告)号：CN110929852A
公开(公告)日：2020-03-27
申请号：CN201911200568.7
申请日：2019-11-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种深度二值神经网络训练方法及系统，所述训练方法包括：初始化浮点型的深度神经网络，得到初始化网络模型；基于交替方向乘子法，根据所述初始化网络模型，采用目标传播算法，得到具有二值激活和浮点型权重的优化深度神经网络；基于交替方向乘子法，根据所述优化深度神经网络，得到深度二值神经网络。本发明深度二值神经网络训练方法通过交替方向乘子法优化框架，将权重和激活分别进行二值化，能够减轻同时二值化带来的耦合效应，提高深度二值神经网络的训练效果；采用目标传播算法优化具有二值激活的深度神经网络，能够减小量化过程不可微导致的深度神经网络量化优化困难问题。
-
公开(公告)号：CN105427243A
公开(公告)日：2016-03-23
申请号：CN201510725909.8
申请日：2015-10-29
Applicant: 中国科学院自动化研究所
IPC: G06T3/40
CPC classification number: G06T3/4023 , G06T3/4053 , G06T2207/10016
Abstract: 本发明公开了一种基于自适应插值核学习的视频超分辨率重建方法，该方法包括根据视频图像训练集，获取高分辨率图像块的插值核字典及其对应的对偶矩阵，其中视频图像训练集包括高、低分辨率图像块；根据高分辨率图像块的插值核字典，获取高分辨率图像块的插值核字典中每一原子对应的图像块结构的插值核；根据对偶矩阵及每一原子对应的图像块结构的插值核，构建待处理图像的图像小块的插值核，利用待处理图像的图像小块的插值核，对待处理图像进行插值放大。通过本发明，至少部分地解决如何能更好地保持视频图像中的边缘和纹理信息，并有效降低混叠、锯齿、振铃等失真干扰的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN119887579A
公开(公告)日：2025-04-25
申请号：CN202510025554.5
申请日：2025-01-08
Applicant: 中国科学院自动化研究所
IPC: G06T5/73 , G06V10/44 , G06V10/42 , G06N3/0464
Abstract: 本公开提供了一种基于烟雾去除模型的图像去烟雾方法、装置及电子设备，可以应用于图像处理技术领域。该方法包括：利用烟雾检测器处理有烟图像，得到烟雾掩膜图像；对有烟图像和烟雾掩膜图像进行M个级联的上采样阶段处理和M个级联的下采样阶段处理，输出预测无烟图像；其中，任一个第K次下采样阶段处理包括对第K‑1次下采样输出结果以及有烟图像的下采样特征提取和下采样特征融合，下采样特征提取包括：根据分支数量N对第K次预处理特征进行划分，得到N个图像分支特征；针对每个图像分支特征，利用扩张卷积增强模块进行第一特征提取，得到图像局部特征；利用视觉状态空间特征提取模块对图像局部特征进行第二特征提取，得到图像全局特征。
-
公开(公告)号：CN110969251B
公开(公告)日：2023-10-31
申请号：CN201911189663.1
申请日：2019-11-28
Applicant: 中国科学院自动化研究所
IPC: G06N3/082
Abstract: 本发明涉及图像处理技术领域，具体涉及一种基于无标签数据的神经网络模型量化方法及装置。为了解决现有技术需要依赖训练集才能实现对神经网络压缩的问题，本发明提出一种基于无标签数据的神经网络模型量化方法，包括基于第一预设量化位宽对原始神经网络模型的权重进行量化，获取第一量化神经网络模型；基于原始神经网络模型的输出和第一量化神经网络模型的输出，对第一量化神经网络模型的每一层不同通道的量化位宽进行优化，获取第二量化神经网络模型；基于原始神经网络模型的特征和第二量化神经网络模型的特征，对第二量化神经网络模型的权重进行优化，获取目标神经网络模型。本发明的方法能够通过少量无标签数据对神经网络模型进行量化。
-
公开(公告)号：CN111260645B
公开(公告)日：2023-10-13
申请号：CN202010105287.X
申请日：2020-02-20
Applicant: 中国科学院自动化研究所
IPC: G06F30/27
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于分块分类深度学习的篡改图像检测方法及系统，旨在解决现有技术篡改图像检测准确率和定位精度尚达不到实用要求的问题。本发明方法包括：分别对待检测图像灰度化后分块分类以及设定算子的边缘特征计算；基于分块分类结果，进行待检测图像及特征图的分块分类；通过图像块篡改检测模型获取分类图像块的检测结果、特征图像块的检测结果并进行加权；结合的图像块的标记，进行待检测图像的篡改区域标记。本发明对图像分块分类，分别训练篡改检测模型，检测结果更准确、篡改区域定位更精确，并将未分块的图像边缘直接定义为其最邻近图像块的篡改检测结果，提高检测效率。
-
公开(公告)号：CN109492702B
公开(公告)日：2020-09-22
申请号：CN201811395133.8
申请日：2018-11-21
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明属于视频图像处理技术领域，具体涉及一种基于排序度量函数的行人重识别方法、系统、装置，旨在解决基于度量学习的行人重识别方法鲁棒性差的问题。本发明方法中通过训练样本特征信息建立基于排序损失的度量函数，并通过采用连续可导的p范数函数代替该模型中的min函数，优化模型求解获取特征映射函数；基于包含特征映射函数的特征距离度量函数进行行人重识别中的两个图片的特征距离的计算，并以此为依据选择识别结果。本发明提高了行人重识别方法鲁棒性、准确度。
-
公开(公告)号：CN110969251A
公开(公告)日：2020-04-07
申请号：CN201911189663.1
申请日：2019-11-28
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明涉及图像处理技术领域，具体涉及一种基于无标签数据的神经网络模型量化方法及装置。为了解决现有技术需要依赖训练集才能实现对神经网络压缩的问题，本发明提出一种基于无标签数据的神经网络模型量化方法，包括基于第一预设量化位宽对原始神经网络模型的权重进行量化，获取第一量化神经网络模型；基于原始神经网络模型的输出和第一量化神经网络模型的输出，对第一量化神经网络模型的每一层不同通道的量化位宽进行优化，获取第二量化神经网络模型；基于原始神经网络模型的特征和第二量化神经网络模型的特征，对第二量化神经网络模型的权重进行优化，获取目标神经网络模型。本发明的方法能够通过少量无标签数据对神经网络模型进行量化。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
