-
公开(公告)号：CN112036447B
公开(公告)日：2022-05-03
申请号：CN202010802487.0
申请日：2020-08-11
Applicant: 复旦大学
Abstract: 本申请公开了一种零样本目标检测系统及可学习语义和固定语义融合方法，将零样本学习机制引入到深度目标检测框架，建立一套基于具有强判别能力的零样本目标检测系统LAT‑Net，通过LAT‑Net实现端到端的零样本目标检测任务。使用了可学习的语义特征和固定语义特征相结合的方法，使得网络在源域训练时，既可以充分利用类别的词向量信息，又可以利用到端到端学习，发现更加具有鉴别能力的类别原型，取得了最好的检测准确率。本发明系统框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的零样本检测和泛化零样本检测两大任务的结果上，均超过了现有方法。为目标检测技术在军事和工业应用领域，提供基础框架和方法的支持。
-
Patent Agency Ranking
公开(公告)号：CN116958743A
公开(公告)日：2023-10-27
申请号：CN202310832461.4
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06V10/80 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明属于深度学习中的目标检测技术领域，具体为一种长尾数据场景下的目标检测方法及装置。本发明目标检测方法包括：构建长尾目标检测数据集；在模型训练过程中维护特征缓存模块，为进行目标级别的精确上采样提供数据源基础；利用检测器分类头权重向量的二范数与类别下样本量的正相关关系，设计分布感知的动态上采样策略；利用类别间的相似语义关系，构建多类协同数据增强模块；设计双向调节损失函数，从正负两个方向调节梯度影响；对模型进行整体优化训练，并进行有效性验证。本发明能弥补现有的长尾数据场景下的目标检测方法在处理尾部类别时的不足和技术限制，有效地提高目标检测准确率，尤其是对极具挑战性的尾部类别目标的检测精度。
-
公开(公告)号：CN116958742A
公开(公告)日：2023-10-27
申请号：CN202310832460.X
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/082 , G06N3/0495 , G06N3/0455 , G06N3/0895 , G06V10/25
Abstract: 本发明属于机器学习技术领域，具体为一种基于定位预训练与渐进式优化策略的弱监督小样本目标检测方法与系统。本发明将弱监督学习机制引入到小样本深度目标检测框架，建立了一套准确率高的弱监督小样本目标检测系统。本发明方法框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的弱监督小样本目标检测的结果上，都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域，提供基础框架和算法的支持，也能很容易地扩展到其他小样本学习任务上。
-
公开(公告)号：CN116958740A
公开(公告)日：2023-10-27
申请号：CN202310832458.2
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06V10/80 , G06N3/048
Abstract: 本发明属于机器学习技术领域，具体为基于语义感知和自适应对比学习的零样本目标检测方法。本发明采用基于transformer网络的DETR作为目标检测模型框架，并引入基于注意力的语义感知模块，来缓解映射式零样本目标检测模型对已见类别的偏见；还采用基于度量学习的自适应对比损失，使模型学习到更好的特征表示，同时保持类别间的语义结构关系，进一步提升检测性能。实验结果表明，与现有方法相比，本发明在零样本目标检测任务上具有更好的性能和泛化能力，具有广泛的应用前景。
-
公开(公告)号：CN112036447A
公开(公告)日：2020-12-04
申请号：CN202010802487.0
申请日：2020-08-11
Applicant: 复旦大学
Abstract: 本申请公开了一种零样本目标检测系统及可学习语义和固定语义融合方法，将零样本学习机制引入到深度目标检测框架，建立一套基于具有强判别能力的零样本目标检测系统LAT-Net，通过LAT-Net实现端到端的零样本目标检测任务。使用了可学习的语义特征和固定语义特征相结合的方法，使得网络在源域训练时，既可以充分利用类别的词向量信息，又可以利用到端到端学习，发现更加具有鉴别能力的类别原型，取得了最好的检测准确率。本发明系统框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的零样本检测和泛化零样本检测两大任务的结果上，均超过了现有方法。为目标检测技术在军事和工业应用领域，提供基础框架和方法的支持。
-
公开(公告)号：CN116958741A
公开(公告)日：2023-10-27
申请号：CN202310832459.7
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/82 , G06N3/0985 , G06V10/764 , G06V10/25 , G06V10/74 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/0455 , G06N3/045 , G06N3/044
Abstract: 本发明属于机器学习技术领域，具体为一种基于DETR和元学习的零样本目标检测方法。本发明方法是基于transformer架构的DETR检测器进行构建，将零样本学习机制引入到DETR深度目标检测框架，将类别语义向量直接融入到DETR的查询向量中，并通过解码器直接预测出结果，在训练的过程中，通过逐类别的最优匹配和损失计算来完成训练。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在主流视觉属性数据集的零样本目标检测的结果表明，本方法性能明显优于现有的方法。本发明为目标检测技术在工业应用领域，提供算法的支持，也能很容易地扩展到其他零样本学习任务上。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
