-
公开(公告)号：CN109948717B
公开(公告)日：2023-08-18
申请号：CN201910231530.X
申请日：2019-03-26
Applicant: 江南大学
IPC: G06F18/214 , G06N3/0475 , G06N3/094 , G06N3/082
Abstract: 本发明公开了一种生成对抗网络的自生长训练方法，包括以下步骤，将随机噪声数据输入到生成对抗网络的生成器中，通过反卷积操作，训练卷积通道较小的种子神经网络框架，并将所述种子神经网络框架训练至目标程度；在所述种子网络训练结束之后将所述种子神经网络框架进行自生长运算，将所述种子神经网络框架的通道数增多，生长为成熟型网络；将所述成熟型网络进行剪枝操作，并设定剪枝操作为稀疏化剪枝。本发明的有益效果：本发明提出的自生长生成对抗网络能够有效的解决这个问题；三是同时针对生长方式提出特定的剪枝方法‑稀疏化剪枝，能够减掉特征图中相似性较高的特征图。
-
公开(公告)号：CN115661710A
公开(公告)日：2023-01-31
申请号：CN202211303545.0
申请日：2022-10-24
Applicant: 江南大学
IPC: G06V20/40 , G06N3/0455 , G06N3/08 , G06V10/80 , G06V10/82
Abstract: 本发明涉及视频理解技术领域，尤其是指一种视频描述生成方法、装置及计算机存储介质。本发明所述的视频描述生成方法，提出了时间注意和融合注意，并向每个帧特征在线添加一个标记来表示全局特征，让这些标记进行交互，以便在帧与帧之间进行信息的传递和交互，首先，使用时间注意交互所有的标记，学习输入视频的视频帧之间的时间关系，接下来，将时间注意处理过的标记与最终特征内的每一个特征向量相级联，然后输入到融合注意，融合注意使全部特征相交互，使得经过融合注意之后输出的特征包含视频帧之间的时间关系；本发明将预训练模型得到的空间特征和时序信息相结合，捕获视频帧之间的时间线索，最终能够得到更充分的特征表示，提高了预测精度。
-
公开(公告)号：CN113673411A
公开(公告)日：2021-11-19
申请号：CN202110941050.X
申请日：2021-08-17
Applicant: 江南大学
Abstract: 本发明公开了一种基于注意力机制的轻量级移位图卷积行为识别方法，包括，对数据集进行预处理，生成关节点信息流数据集、骨长信息流数据集、基于运动信息的关节点信息流数据集和基于运动信息的骨长信息流数据集；构建ALS‑GCN网络，并通ALS‑GCN网络获得信息流的时空间特征；融合信息流的时空间特征，获得行为识别结果；本发明通过构建基于注意力机制的空间移位模块的方式，解决了感受野过小的问题；同时通过构建时间移位模块的方式，解决了非线性堆叠的方式造成的参数量过高的问题，能够在较少计算量的情况下，达到较高的识别精度。
-
公开(公告)号：CN112836637A
公开(公告)日：2021-05-25
申请号：CN202110146335.4
申请日：2021-02-03
Applicant: 江南大学
Abstract: 本发明公开了一种基于空间逆向注意网络的行人重识别方法，包括：采集所拍摄的图片并划分为训练集及测试集；基于Resnet‑50构建空间逆向注意网络模型，根据所述训练集对卷积神经网络进行训练，并加入CBAM‑Pro；根据所加入的CBAM‑Pro将所述网络划分为两条支路，并同时执行正向学习及逆向注意，提取正向、逆向的全局特征以及局部特征；基于所提取的特征根据通道维度连接起来得到包含多类型特征的行人鉴别特征，利用所述测试集对所述行人鉴别特征进行重识别验证，完成行人重识别。本发明基于空间逆向注意网络提取多类型的行人鉴别特征，提高了重识别的有效性与可靠性。
-
公开(公告)号：CN110263712B
公开(公告)日：2021-02-23
申请号：CN201910535870.1
申请日：2019-06-20
Applicant: 江南大学
Abstract: 本发明公开了一种基于区域候选的粗精行人检测方法，包括粗检测阶段，所述粗检测阶段还包括以下步骤，运用局部无关通道特征方法对粗训练样本的待检测图片进行粗检测；筛选出在所述粗训练样本上漏检掉的标签目标框；对漏检的所述标签目标框进行聚类分析，设置标签尺度与长宽比；利用所述尺度与长宽比训练区域候选网络；图片输入训练好的所述区域候选网络输出的检测结果融合，得到粗检测结果。本发明的有益效果：本发明一是在粗检测阶段通过聚类方法对目标真实结果进行分析，利用区域候选网络进行有针对性的训练，将检测结果与原来的候选框融合，得到更高的召回率，显著地降低了检测结果的漏检率。
-
Patent Agency Ranking
公开(公告)号：CN110263712A
公开(公告)日：2019-09-20
申请号：CN201910535870.1
申请日：2019-06-20
Applicant: 江南大学
Abstract: 本发明公开了一种基于区域候选的粗精行人检测方法，包括粗检测阶段，所述粗检测阶段还包括以下步骤，运用局部无关通道特征方法对粗训练样本的待检测图片进行粗检测；筛选出在所述粗训练样本上漏检掉的标签目标框；对漏检的所述标签目标框进行聚类分析，设置标签尺度与长宽比；利用所述尺度与长宽比训练区域候选网络；图片输入训练好的所述区域候选网络输出的检测结果融合，得到粗检测结果。本发明的有益效果：本发明一是在粗检测阶段通过聚类方法对目标真实结果进行分析，利用区域候选网络进行有针对性的训练，将检测结果与原来的候选框融合，得到更高的召回率，显著地降低了检测结果的漏检率。
-
公开(公告)号：CN113537494B
公开(公告)日：2022-11-11
申请号：CN202110838268.2
申请日：2021-07-23
Applicant: 江南大学
IPC: G06N3/08 , G06N3/04 , G06N20/20 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明公开了一种基于黑盒场景的图像对抗样本生成方法，包括：将图片x输入至多个白盒模型，分别得出目标标签或真实标签的概率值；动态计算所述概率值对应白盒模型的权重；根据所述概率值与所述白盒模型的权重，得到集成模型的概率值；根据所述集成模型的概率值计算损失值，并进行反向传播；将所述反向传播后图片的梯度作为扰动图像，加入到对抗样本中；重复迭代，获取最终对抗样本。本发明方法能够在黑盒环境下取得更好的效果，后续深入分析了对抗样本的生成过程，进一步证实动态集成方法能够按照预期合理得调整各个模型的权重，并增强对抗样本的黑盒效果。
-
公开(公告)号：CN113673411B
公开(公告)日：2022-10-18
申请号：CN202110941050.X
申请日：2021-08-17
Applicant: 江南大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的轻量级移位图卷积行为识别方法，包括，对数据集进行预处理，生成关节点信息流数据集、骨长信息流数据集、基于运动信息的关节点信息流数据集和基于运动信息的骨长信息流数据集；构建ALS‑GCN网络，并通ALS‑GCN网络获得信息流的时空间特征；融合信息流的时空间特征，获得行为识别结果；本发明通过构建基于注意力机制的空间移位模块的方式，解决了感受野过小的问题；同时通过构建时间移位模块的方式，解决了非线性堆叠的方式造成的参数量过高的问题，能够在较少计算量的情况下，达到较高的识别精度。
-
公开(公告)号：CN113555064A
公开(公告)日：2021-10-26
申请号：CN202110815562.1
申请日：2021-07-19
Applicant: 江南大学
Abstract: 本发明公开了一种基于多角度编码和特征选择的DNA结合蛋白识别方法，包括，在训练阶段，iDBP‑DEP利用四种表示方法对蛋白质序列进行编码，得到3240维的特征向量作为初始特征；根据特征选择算法选择最优的特征子集；所述iDBP‑DEP将所述子集输入SVM分类器进行训练，得到预测模型；测试集中的每个蛋白质通过相同的步骤进行编码，得到对应的最佳特征子集，并输入所述预测模型中进行预测，最终获得相应的预测结果。本发明方法提供的iDBP‑DEP在各项评估指标上均展现了优越的性能，具有较良好的有效性和稳定性。
-
公开(公告)号：CN109948566A
公开(公告)日：2019-06-28
申请号：CN201910231686.8
申请日：2019-03-26
Applicant: 江南大学
Abstract: 本发明公开了一种基于权重融合与特征选择的双流人脸反欺诈检测方法，包括，通过采集设备采集人脸图片；提取特征，并确定人脸标签；对特征进行融合；以及，判断人脸真假，并响应于显示设备上；其中，所述特征包括HSV像素特征、YCbCr像素特征、BSIF灰度特征和神经网络卷积特征、LBP特征和HOG特征；其中，所述融合区分为权重融合和分数级融合；本发明方法将采集的HSV像素特征、YCbCr像素特征、BSIF灰度特征和神经网络卷积特征、LBP特征和HOG特征进行权重融合，大大提高了真假人脸的识别效果，同时提供了鲁棒性，还加快了运行效率。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.02 seconds)
