-
公开(公告)号：CN115661542A
公开(公告)日：2023-01-31
申请号：CN202211388184.4
申请日：2022-11-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/25
Abstract: 本发明提供一种基于特征关系迁移的小样本目标检测模型的训练方法，所述方法包括：S1、获取训练集和支撑集，并用训练集对预训练的两阶段模型进行训练以获得初始化的目标检测基础模型和感兴趣区域调整模块；S2、采用训练集和支撑集将由经初始化的目标检测基础模型、感兴趣区域调整模块、特征提取网络、关系注意力模块、类别分类模块、检测框位置回归调整模块组成的训练模型进行多次迭代训练至收敛以获得由目标检测基础模型、感兴趣区域调整模块、特征提取网络、检测框位置回归调整模块、类别分类模块组成的最终的小样本目标检测模型。本发明提高了小样本目标检测模型对目标的定位能力，也可以在拥有对小样本类别的识别能力的同时，解决其对基类类别存在学习遗忘问题。
-
公开(公告)号：CN115631382A
公开(公告)日：2023-01-20
申请号：CN202211388172.1
申请日：2022-11-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/08
Abstract: 本发明提供一种基于类内偏差迁移的小样本图像分类模型的训练方法包括：S1、获取图像训练集和支撑集，并以图像训练集中的样本为输入、样本分类为输出，用图像训练集将图像编码器和分类器组成的基础图像分类模型训练至收敛以获得初始化的图像编码器；其中，所述图像训练集中包括多个基类，每个基类具有多个带类别标签的样本；所述支撑集中包括多个与基类的类别不同的新类，每个新类具有满足小样本任务要求且具有类别标签的样本；S2、用图像训练集和支撑集对由所述初始化的图像编码器、预训练语言模型、选择器、多个偏差预测器、分类器组成的基本模型进行多次迭代训练直至收敛以获得由图像编码器和分类器组成的小样本图像分类模型。
-
公开(公告)号：CN117853717A
公开(公告)日：2024-04-09
申请号：CN202211216511.8
申请日：2022-09-30
Applicant: 中国科学院计算技术研究所
IPC: G06V10/26 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明提出一种平衡涂鸦标注偏好的弱监督语义分割方法，包括：构建语义分割模型；对训练图片进行涂鸦标注；提取该训练图片的深层语义特征，以该深层语义特征，获得对该训练图片的初步预测图；提取该训练图片的浅层特征，对该初步预测图进行局部聚合，获得对该训练图片的最终预测图；获得该训练图片的标注概率图；以该语义分割模型的逐像素加权交叉熵损失和分割预测学习损失加和获得总损失函数；迭代更新该语义分割模型的模型参数，直到该总损失函数收敛，以此时的语义分割模型为最终分割模型。本发明还提出一种平衡涂鸦标注偏好的弱监督语义分割系统，以及一种执行弱监督语义分割的数据处理装置。
-
公开(公告)号：CN107301665A
公开(公告)日：2017-10-27
申请号：CN201710302885.4
申请日：2017-05-03
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种具有可变焦光学摄像头的深度摄像头及其控制方法，所述方法包括：1)识别由所述深度摄像头所拍摄的光学图像上存在的物体；2)确定该物体的识别置信度；以及3)如果该物体的识别置信度不大于设定阈值，则针对该物体进行光学变焦和或数字变焦，以获得新的光学图像。使用根据本发明的智能深度摄像头，可以自动地、智能地进行变焦，当被拍摄物体的识别准确度比较低时，无需人工干预即可根据物体的尺寸和距离信息进行自动变焦，从而很大程度地提高了物体识别的效果。
-
Patent Agency Ranking
公开(公告)号：CN107301665B
公开(公告)日：2020-03-31
申请号：CN201710302885.4
申请日：2017-05-03
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种具有可变焦光学摄像头的深度摄像头及其控制方法，所述方法包括：1)识别由所述深度摄像头所拍摄的光学图像上存在的物体；2)确定该物体的识别置信度；以及3)如果该物体的识别置信度不大于设定阈值，则针对该物体进行光学变焦和或数字变焦，以获得新的光学图像。使用根据本发明的智能深度摄像头，可以自动地、智能地进行变焦，当被拍摄物体的识别准确度比较低时，无需人工干预即可根据物体的尺寸和距离信息进行自动变焦，从而很大程度地提高了物体识别的效果。
-
公开(公告)号：CN105718868B
公开(公告)日：2019-10-25
申请号：CN201610029680.9
申请日：2016-01-18
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明提供了一种针对多姿态人脸的人脸检测系统，包括：前端检测器和后端检测器，其中，所述前端检测器包括至少一层分类器，每一层包含至少两个并列的针对不同姿态人脸的第一类分类器，用于对候选的人脸与非人脸窗口进行区分；所述后端检测器包括采用深度神经网络的第二类分类器，用于进一步区分所述前端检测器的检测结果中的人脸和非人脸。相应地，本发明还提供了一种人脸检测方法。在提升检测精度的同时，有效降低检测过程的计算开销，有效提高检测速度。
-
公开(公告)号：CN105718868A
公开(公告)日：2016-06-29
申请号：CN201610029680.9
申请日：2016-01-18
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明提供了一种针对多姿态人脸的人脸检测系统，包括：前端检测器和后端检测器，其中，所述前端检测器包括至少一层分类器，每一层包含至少两个并列的针对不同姿态人脸的第一类分类器，用于对候选的人脸与非人脸窗口进行区分；所述后端检测器包括采用深度神经网络的第二类分类器，用于进一步区分所述前端检测器的检测结果中的人脸和非人脸。相应地，本发明还提供了一种人脸检测方法。在提升检测精度的同时，有效降低检测过程的计算开销，有效提高检测速度。
-
公开(公告)号：CN103729648B
公开(公告)日：2017-01-04
申请号：CN201410006653.0
申请日：2014-01-07
Applicant: 中国科学院计算技术研究所
Abstract: 本申请公开了一种领域自适应模式识别方法，该方法通过将源域样本表示为目标域样本的线性组合来将其转换到目标域上，然后利用转换后的样本训练监督模型，并利用训练好的监督模型来进行目标域上的模式识别。该方法在源域与目标域的公共子空间中求解所述线性组合系数，保证了源域到目标域转换的可靠性和稳定性；同时，在原始样本空间应用所求得的重构系数进行目标域化，保留了目标域特定的信息，更有利于目标域上识别模型的学习。该方法既能有效利用源域与目标域共性以建立源域到目标域迁移的桥梁，又能充分挖掘目标域的特性，进一步提升目标域上任务的性能。
-
公开(公告)号：CN103729648A
公开(公告)日：2014-04-16
申请号：CN201410006653.0
申请日：2014-01-07
Applicant: 中国科学院计算技术研究所
Abstract: 本申请公开了一种领域自适应模式识别方法，该方法通过将源域样本表示为目标域样本的线性组合来将其转换到目标域上，然后利用转换后的样本训练监督模型，并利用训练好的监督模型来进行目标域上的模式识别。该方法在源域与目标域的公共子空间中求解所述线性组合系数，保证了源域到目标域转换的可靠性和稳定性；同时，在原始样本空间应用所求得的重构系数进行目标域化，保留了目标域特定的信息，更有利于目标域上识别模型的学习。该方法既能有效利用源域与目标域共性以建立源域到目标域迁移的桥梁，又能充分挖掘目标域的特性，进一步提升目标域上任务的性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.028 seconds)
