-
公开(公告)号：CN117195222A
公开(公告)日：2023-12-08
申请号：CN202310959070.9
申请日：2023-08-01
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06F21/57 , G06F21/71 , G06N3/094 , G06N3/0455 , G06V10/82
Abstract: 公开了基于对抗网络的深度神经网络对抗攻击防御的方法和系统，包括搭建深度神经网络随机对抗攻击模块，深度神经网络随机对抗攻击模块包括多个并联的对抗攻击算法，随机对输入图像进行对抗攻击加噪；搭建可微分频域正则化器，可微分频域正则化器对频域信息对模型输出进行正则化处理；搭建对抗防御网络架构，对抗防御网络以基于编码解码结构的生成对抗网络作为主干网络，并引入深度神经网络随机对抗攻击模块和可微分频域正则化器；收集自然场景下的图像，按比例形成训练集和验证集，使用训练集对对抗防御网络进行训练至损失收敛。本申请能够明显提升深度神经网络对抗攻击防御能力，对多种对抗攻击方式均有良好的泛化性能。
-
公开(公告)号：CN117011809A
公开(公告)日：2023-11-07
申请号：CN202310764791.4
申请日：2023-06-27
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V20/54 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/74
Abstract: 公开了一种多任务引导式的车辆检索方法和系统，包括利用ResNet50作为多任务引导式车辆检索方法的主干网络，主干网络包括4个用于提取车辆特征的残差卷积块Stage1、Stage2、Stage3、Stage4；定义车辆检索任务的损失函数为三元组损失函数Ltriplet和标签平滑正则化的交叉熵损失函数#imgabs0#将Stage4提取的特征输出至解压模块，利用反卷积分割车辆的整体轮廓信息，整体任务的损失函数#imgabs1##imgabs2#其中，β为超参数，LMASK表示车辆分割任务的损失函数。本申请引入车辆分割任务，大幅度提升了车辆检索任务的性能。
-
公开(公告)号：CN113627241B
公开(公告)日：2023-03-24
申请号：CN202110726458.5
申请日：2021-06-29
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/774 , G06V20/52 , G06V40/10 , G06V10/82 , G06N3/0464 , G06T7/194
Abstract: 本发明给出了一种用于行人重识别的背景抑制方法与系统，包括设计了一个两路网络，并结合提出的先验优化和指导学习策略，用来使得模型能专注于行人的前景信息，抑制背景信息的干扰，并能学习背景中和行人身份相关的信息；第一路网络充当第二路网络的指导者，来推动第二路网络学习完整的前景信息和背景中与行人身份相关的信息。最后，本发明在多个公开行人重识别的数据集上进行了验证，验证结果表明本发明结合数据层面的先验优化和特征层面的指导学习可以有选择性的滤除背景干扰，使得网络专注于前景信息的学习。
-
公开(公告)号：CN112613433B
公开(公告)日：2022-08-19
申请号：CN202011582655.6
申请日：2020-12-28
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种行人重识别的生成数据的伪标签分配方法及系统，包括利用深层卷积生成对抗网络的方法在行人重识别的真实数据集的基础上生成无标签的数据并构成无标签数据集；根据动态标签分布为无标签数据集中的无标签的数据分配虚拟标签，再通过设置稀疏化因子随机将一定数量的虚拟标签的权重设置为0，得到稀疏正则化多伪标签；利用Softmax进行预测获得行人属于某个预定义类的概率；根据标签分布和概率，得到优化的交叉熵损失函数；将无标签数据集与稀疏正则化多伪标签进行结合，再与真实数据集融合构成训练样本，根据损失函数对训练样本进行训练得到行人重识别模型。避免了模型在某些预定义类的特征上出现过拟合的现象，提升了模型的泛化性能力。
-
公开(公告)号：CN114820687A
公开(公告)日：2022-07-29
申请号：CN202210610953.4
申请日：2022-05-31
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种闭环的端到端行人重识别背景抑制方法和系统，包括利用第一路网络中的残差卷积块提取输入的原始图像的特征，并通过第一损失函数L1进行约束；通过Mask r‑CNN获得特征的人体掩膜利用掩膜预测损失函数Lmask修正掩膜的精准度；将人体掩膜和原始图像相乘，获得前景图像，将前景图像作为第二路网络的输入，并将第一路网络的残差卷积块的特征引入第二路网络，利用第二损失函数L2进行约束。本发明在多个行人重识别的数据集上都取得具有竞争力的性能。
-
Patent Agency Ranking
公开(公告)号：CN114782999A
公开(公告)日：2022-07-22
申请号：CN202210606674.0
申请日：2022-05-31
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/10 , G06K9/62 , G06N3/02 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74
Abstract: 本发明给出了一种基于辅助域分类和二阶信息瓶颈的行人再识别方法和系统，包括将非行人数据集和行人再识别数据集作为粗粒度到细粒度模块的输入，分类出行人和非行人；利用二阶信息瓶颈层压缩将行人的图片的信息冗余和噪声；将分类的行人的图片和行人再识别数据集的特征进行级联，获取行人更细粒度的特征；将行人更细粒度的特征送入二阶信息瓶颈层，经过分类层，在三元组损失函数的约束下进行训练行人再识别模型。该行人再识别方法显著降低了类内人物图像的神经网络输出方差，具有优于目前方法的性能。
-
公开(公告)号：CN114445916A
公开(公告)日：2022-05-06
申请号：CN202111561021.7
申请日：2021-12-15
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/40 , G06V40/16 , G06K9/62 , G06V10/774
Abstract: 本发明涉及一种活体检测方法、终端设备及存储介质，该方法中，活体检测模型的网络结果采用轻量级网络作为主干网络，输入图像依次经过主干网络中的浅层卷积块、中层卷积块和深层卷积块进行特征提取；将中层卷积块提取的特征经过反卷积扩展为与浅层卷积块提取的特征相同大小后，将扩展后的特征与浅层卷积块提取的特征进行第一次双线性池化；将深层卷积块提取的特征经过反卷积扩展为与中层卷积块提取的特征相同大小后，将扩展后的特征与中层卷积块提取的特征进行第二次双线性池化；分别将第一次双线性池化、第二次双线性池化和深层卷积块经过全局池化层输出的结果分别经过分类网络进行分类。本发明具有较高的检测准确率和较快的检测速度。
-
公开(公告)号：CN117173761A
公开(公告)日：2023-12-05
申请号：CN202310929300.7
申请日：2023-07-27
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/16 , G06V40/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 公开了一种基于属性引导的深度伪造人脸图像检测方法和系统，包括接收人脸图像作为输入，经过主干网络进行特征提取；其中，输入图像包括属性标签和真伪标签；采用二值交叉熵作为人脸属性识别的多标签分类任务的损失函数Lbce；将属性识别和真伪图像检测的共享特征送入真伪分类层，在所述真伪标签的引导下进行真伪分类，所述真伪分类的损失函数采用交叉熵损失函数 整体任务的损失函数L＝ α是平衡两个损失的超参数。本申请在检测真伪的任务基础上多引入属性识别任务，两个任务共用最后一个嵌入层特征，属性识别的任务会更多去挖掘局部区域的特征信息，在属性标签的引导下，推动模型去挖掘局部特征，从而丰富整个伪造信息的特征表征。
-
公开(公告)号：CN115205605A
公开(公告)日：2022-10-18
申请号：CN202210966666.7
申请日：2022-08-12
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提出了一种多任务边缘特征提取的深伪视频图像鉴定方法，该方法包括如下步骤：S1、构建并获取图像鉴定所需训练数据；S2、搭建网络框架对图像进行图像特征提取和边缘特征提取；S3、对提取的图像特征和边缘特征进行展平和拼接处理；S4、获得图像类别的预测结果。通过添加对边缘生成的任务，能够让网络获取到边缘特征，利用这些特征进行进一步的分类，本发明能够解决传统特征提取耗时慢、计算量大的问题，让神经网络具有可解释性的同时提高网络的预测性能。
-
公开(公告)号：CN115147908A
公开(公告)日：2022-10-04
申请号：CN202210879588.7
申请日：2022-07-25
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本申请提出了一种基于图像patch序损失的人脸鉴伪方法，包括：S1、获取包含训练图像及其标签信息的人像鉴伪数据集；S2、对所述人像鉴伪数据集进行数据处理，包括：对所述训练图像进行均匀切割并打乱所述训练图像的初始patch序列集合，得到所述训练图像的第一patch序列集合；对所述第一patch序列集合进行增强处理，得到第二patch序列集合；将不同所述训练图像的所述第一patch序列集合和所述第二patch序列集合中的patch块进行随机交换，从而得到处理后的人像鉴伪数据集；S3、利用所述处理后的人像鉴伪数据集训练得到神经网络分类模型；S4、将待检测图像输入到所述神经网络分类模型中。本申请的人像鉴伪方法极大的节约了训练成本和数据收集成本，并且具有较高的判别准确性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.042 seconds)
