公开(公告)号：CN119741502A

公开(公告)日：2025-04-01

申请号：CN202411854202.2

申请日：2024-12-17

Applicant: 燕山大学

Inventor： 张世辉 ,  韩少杰 ,  陈坤 ,  翟刚正

IPC: G06V10/42 ,  G06V10/44 ,  G06V10/26 ,  G06V10/30

Abstract: 本发明公开了一种基于稳定扩散模型的特征截断无限制攻击方法，属于计算机视觉技术领域，包括以下步骤：步骤S1：对原始样本进行预处理，包括对原始样本进行调整大小、通道变换、类型转换以及编码处理；步骤S2：获取全局深度特征及局部关键特征：将原始样本输入GDFE模块提取全局深度特征，同时将样本输入CLFE模块提取局部关键特征，以提高对抗样本的可迁移性；步骤S3：扩散模型前向推断及无条件编码优化；步骤S4：扩散模型去噪攻击；步骤S5：计算MLF损失并更新梯度方向；步骤S6：反复迭代，得到最终对抗样本：根据潜在特征反编码得到对抗样本。本发明能够提高对抗样本可迁移性和保持视觉不可感知性。

公开(公告)号：CN118918531A

公开(公告)日：2024-11-08

申请号：CN202411031906.X

申请日：2024-07-30

Applicant: 燕山大学

Inventor： 张世辉 ,  陈坤 ,  苏俊斌 ,  翟刚正

IPC: G06V20/52 ,  G06V10/40 ,  G06V10/80 ,  G06V10/30 ,  G06V10/52 ,  G06V10/766 ,  G06V10/82 ,  G06N3/045 ,  G06N3/042 ,  G06N3/0464

Abstract: 本发明公开了一种基于跨模态与多尺度感知的RGB‑T人群计数方法，属于计算机视觉领域，包括：将成对的RGB和热度图像输入由Swin Transformer组成的双流网络中，提取各个模态的特定特征图；跨模态特征融合模块接收双流网络的第2,3,4阶段的输出，在各个模态间共享特征并有效去噪；多尺度特征汇聚模块接收来自跨模态特征融合模块的跨模态融合特征图，通过空间上下文感知图卷积单元建模各个尺度的人群空间结构，随后整合不同尺度的特征图；将多尺度特征汇聚模块整合的多尺度特征图送入回归头得到密度图；将密度图逐像素相加得到人群计数结果。本发明解决了跨模态特征融合过程引入噪音信息及人群分布不均匀所致的计数难题。

公开(公告)号：CN119741562A

公开(公告)日：2025-04-01

申请号：CN202411806140.8

申请日：2024-12-10

Applicant: 燕山大学

Inventor： 张世辉 ,  韩少杰 ,  翟刚正 ,  陈坤

IPC: G06V10/774 ,  G06V10/44 ,  G06V10/80

Abstract: 本发明公开了通过多特征竞争混合和扩大logit边界的对抗攻击方法，属于计算机视觉领域，包括：根据同批次图像以及目标类的提示词，得到随机裁剪的图像局部特征和经由扩散模型生成的目标类特征；将原图像全局特征、图像局部特征、目标类特征存储到替代模型更深的层次中；在迭代优化过程中，以一定概率将三者特征以及上层图像特征按照随机竞争比混合形成具有丰富扰动和强迁移性的图像特征；根据包含惩罚项的定向攻击损失函数对新样本进行梯度优化，反复迭代得到最终对抗样本。本发明解决了对抗样本定向攻击领域扰动多样性低及可迁移性差的难题，极大提高了定向攻击的可迁移性。

公开(公告)号：CN119741656A

公开(公告)日：2025-04-01

申请号：CN202411806129.1

申请日：2024-12-10

Applicant: 燕山大学

Inventor： 张世辉 ,  陈坤 ,  韩少杰 ,  翟刚正

IPC: G06V20/52 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/048

Abstract: 本发明公开了一种基于跨模态多尺度协同网络的RGB‑T人群计数方法，属于计算机视觉领域，包括：采用VGG作为骨干网络来构建编码器部分；模态协同融合模块利用编码器各阶段的RGB‑T输出对作为输入对实现跨模态交互融合，得到各阶段的模态融合特征；尺度协同融合模块采用第3、4、5阶段的模态融合特征输出作为输入实现多尺度特征的整合，并从局部和全局人群特征中深入挖掘人群分布信息，得到尺度融合特征；将尺度融合特征送入回归头得到预测密度图；将预测密度图逐像素相加得到预测总人数。本发明能够有效解决跨模态特征交互不充分、多尺度以及上下文信息感知不足所致的计数难题。

公开(公告)号：CN119380281A

公开(公告)日：2025-01-28

申请号：CN202411515220.8

申请日：2024-10-29

Applicant: 燕山大学

Inventor： 张世辉 ,  翟刚正 ,  陈坤 ,  韩少杰

IPC: G06V20/52 ,  G06V10/52 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082 ,  G06T7/00

Abstract: 本发明公开了一种基于上下文感知特征增强的少样本目标计数方法，属于计算机视觉领域，包括：将查询图像输入由CNN组成的特征提取器中提取图像的深层和浅层特征；分层感知联合增强模块融合查询图像的多尺度特征和视觉样例的形状和外观特征；可学习的相似性匹配器动态地获取查询图像和视觉样例之间的相关性，同时扩展感受野并增强了模型在不同尺度上捕捉特征的能力；特征融合模块对由相似度图加权后的示例特征与查询图像的多尺度特征进一步融合；将特征融合模块输出的特征图送入回归头中生成密度图；将密度图逐像素相加得到查询图像中感兴趣的目标计数结果。本发明解决了对视觉样例形状信息的提取不充分以及背景噪音干扰下导致的计数难题。