-
公开(公告)号：CN111461211A
公开(公告)日：2020-07-28
申请号：CN202010243255.6
申请日：2020-03-31
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种轻量级的目标检测方法与装置。本发明的轻量级的目标检测方法包括：步骤S1：对目标图片进行特征提取以获取至少包含图像底层信息的图像特征，并至少部分保留所述底层信息对图像特征进行降维和卷积操作；步骤S2：对处理后的图像特征进行高层语义信息提取；步骤S3：将网络中前后特征图大小不同的临近层进行自适应融合；步骤S4：对融合后的信息进行分类和回归，获得目标检测结果。本发明方法能够提取和保留更多的底层细节信息，有助于目标的正确地定位、提高检测精度。并且，本发明的检测方法相比于相应技术计算量更小、消耗的存储量更少，能够保存更多底层信息。
-
公开(公告)号：CN111461211B
公开(公告)日：2023-07-21
申请号：CN202010243255.6
申请日：2020-03-31
Applicant: 中国科学院计算技术研究所
IPC: G06V10/80 , G06V10/82 , G06V10/44 , G06V10/764 , G06V10/766
Abstract: 本发明提供一种轻量级的目标检测方法与装置。本发明的轻量级的目标检测方法包括：步骤S1：对目标图片进行特征提取以获取至少包含图像底层信息的图像特征，并至少部分保留所述底层信息对图像特征进行降维和卷积操作；步骤S2：对处理后的图像特征进行高层语义信息提取；步骤S3：将网络中前后特征图大小不同的临近层进行自适应融合；步骤S4：对融合后的信息进行分类和回归，获得目标检测结果。本发明方法能够提取和保留更多的底层细节信息，有助于目标的正确地定位、提高检测精度。并且，本发明的检测方法相比于相应技术计算量更小、消耗的存储量更少，能够保存更多底层信息。
-
公开(公告)号：CN112183547B
公开(公告)日：2024-09-17
申请号：CN202011116788.4
申请日：2020-10-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了基于多模态数据的多任务学习方法及系统，包括获取用于完成多个任务的多模态数据，将所述多模态数据按模态种类进行分组，并进行时空对齐；从所述对齐后的多模态数据中提取每种模态内数据的硬共享特征，基于所述硬共享特征获得每种模态内与不同任务相关的软共享特征，基于所述软共享特征获得每种模态内与不同任务相关的非共享特征，并基于所述非共享特征获得与所述多个任务中的每种任务对应的数据特征；基于所述对应的数据特征执行所述多个任务，并计算所述多个任务中每种任务的损失函数；利用不确定度损失加权计算所述多任务学习方法的总体损失函数，以训练所述多任务学习方法。本发明实施例的技术方案能够充分利用多模态数据间的互补性，快速、准确的完成多任务学习，实现轻量化。
-
公开(公告)号：CN112183547A
公开(公告)日：2021-01-05
申请号：CN202011116788.4
申请日：2020-10-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了基于多模态数据的多任务学习方法及系统，包括获取用于完成多个任务的多模态数据，将所述多模态数据按模态种类进行分组，并进行时空对齐；从所述对齐后的多模态数据中提取每种模态内数据的硬共享特征，基于所述硬共享特征获得每种模态内与不同任务相关的软共享特征，基于所述软共享特征获得每种模态内与不同任务相关的非共享特征，并基于所述非共享特征获得与所述多个任务中的每种任务对应的数据特征；基于所述对应的数据特征执行所述多个任务，并计算所述多个任务中每种任务的损失函数；利用不确定度损失加权计算所述多任务学习方法的总体损失函数，以训练所述多任务学习方法。本发明实施例的技术方案能够充分利用多模态数据间的互补性，快速、准确的完成多任务学习，实现轻量化。
-
-
-
Search Results
4
records
(took 0.026 seconds)
