-
公开(公告)号：CN116188791B
公开(公告)日：2025-04-04
申请号：CN202310136169.9
申请日：2023-02-20
Applicant: 西北工业大学
IPC: G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明涉及一种基于双边特征金字塔网络与多尺度鉴别的本质图像分解方法，将两个并行的生成对抗网络作为主体网络，分别对反射图和光照图进行重构。针对生成网络，提出了局部分频特征融合的策略，分别实现对高频反射特征和低频光照特征的选择和保留。同时，在鉴别器中加入了多尺度的自适应组合模块，对多尺度特征的贡献进行自适应评估，强化鉴别效果并提升生成效果。本发明方法在多种数据集上都表现优异，在MPI‑Sintel数据集中，本发明相比其他方法的最优结果的重构均方误差降低了13.26％；在ShapeNet数据集中，本发明相比其他方法的最优结果的重构均方误差降低了26.09％。
-
公开(公告)号：CN113870124B
公开(公告)日：2023-06-06
申请号：CN202110980864.4
申请日：2021-08-25
Applicant: 西北工业大学
IPC: G06T5/00 , G06T5/30 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0895
Abstract: 本发明提供了一种基于弱监督的双网络互激励学习阴影去除方法，只需要阴影检测任务标签即可完成阴影去除任务的训练，其中阴影残差网络用于升成阴影分布的模拟图，利用弱标签来训练，阴影提亮网络是端对端的网络，可直接由阴影图像升成阴影去除图像，利用阴影残差网络结果进行训练，阴影提亮网络结果作为阴影残差网络的输入，使用阴影残差网络在两张图像依次输入网络得到残差图像后，利用输入图像和对应残差图像间关系计算网络损失。本发明丰富样本的多样性，提升阴影残差网络的能力，有效提高阴影残差网络的输出性能。有效的减少了在数据标注中人力物力的投入。
-
公开(公告)号：CN116228537B
公开(公告)日：2025-05-09
申请号：CN202310135980.5
申请日：2023-02-20
Applicant: 西北工业大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/60 , G06T5/70 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/094
Abstract: 本发明涉及一种基于去噪和超分辨率重构融合的攻击图像防御方法，首先，采用多级嵌套的编解码网络，对图像中的噪声进行粗清洗。由于噪声主要是高频信息，因而多尺度编解码网络可以利用低频信息引导高频信息的重构，进而实现对高频噪声的消除。然后，使用超分辨率重构网络对噪声进行精清洗，通过在超分重构过程中注入高频分量，破坏残留的对抗噪声的分布。本方法有效地结合了自编码器去噪和超分辨率重构来进行对抗防御。在实验中，本发明提出的样本清洗防御算法在自制的卫星对抗样本数据集上取得了优异的防御效果。样本清洗之后，攻击噪声完全被清除，在EfficientNet网络的识别中准确率提升了42.67％。
-
Patent Agency Ranking
公开(公告)号：CN116228537A
公开(公告)日：2023-06-06
申请号：CN202310135980.5
申请日：2023-02-20
Applicant: 西北工业大学
IPC: G06T3/40 , G06T5/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/094
Abstract: 本发明涉及一种基于去噪和超分辨率重构融合的攻击图像防御方法，首先，采用多级嵌套的编解码网络，对图像中的噪声进行粗清洗。由于噪声主要是高频信息，因而多尺度编解码网络可以利用低频信息引导高频信息的重构，进而实现对高频噪声的消除。然后，使用超分辨率重构网络对噪声进行精清洗，通过在超分重构过程中注入高频分量，破坏残留的对抗噪声的分布。本方法有效地结合了自编码器去噪和超分辨率重构来进行对抗防御。在实验中，本发明提出的样本清洗防御算法在自制的卫星对抗样本数据集上取得了优异的防御效果。样本清洗之后，攻击噪声完全被清除，在EfficientNet网络的识别中准确率提升了42.67％。
-
公开(公告)号：CN116188791A
公开(公告)日：2023-05-30
申请号：CN202310136169.9
申请日：2023-02-20
Applicant: 西北工业大学
IPC: G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明涉及一种基于双边特征金字塔网络与多尺度鉴别的本质图像分解方法，将两个并行的生成对抗网络作为主体网络，分别对反射图和光照图进行重构。针对生成网络，提出了局部分频特征融合的策略，分别实现对高频反射特征和低频光照特征的选择和保留。同时，在鉴别器中加入了多尺度的自适应组合模块，对多尺度特征的贡献进行自适应评估，强化鉴别效果并提升生成效果。本发明方法在多种数据集上都表现优异，在MPI‑Sintel数据集中，本发明相比其他方法的最优结果的重构均方误差降低了13.26％；在ShapeNet数据集中，本发明相比其他方法的最优结果的重构均方误差降低了26.09％。
-
公开(公告)号：CN114881852A
公开(公告)日：2022-08-09
申请号：CN202210229298.8
申请日：2022-03-09
Applicant: 西北工业大学
Abstract: 基于去噪和超分辨率重构融合的攻击图像防御方法。针对智能攻击图像防御任务，本文提出采用去噪和超分辨率重构融合的策略实现对攻击噪声的多阶段消除方法。由于深度智能网络存在着一定的缺陷，所以攻击者可设计特定的噪声叠加于输入图像之上，诱导深度网络的识别结果错误。因而，消除攻击图像中的攻击噪声，是实现攻击防御的有效途径之一。首先，本文采用多级嵌套的编解码网络，对图像中的噪声进行粗清洗。由于噪声主要是高频信息，因而多尺度编解码网络可以利用低频信息引导高频信息的重构，进而实现对高频噪声的消除。然后，本文使用超分辨率重构网络对噪声进行精清洗，通过在超分重构过程中注入高频分量，破坏残留的对抗噪声的分布。本算法有效地结合了自编码器去噪和超分辨率重构来进行对抗防御。在实验中，本文提出的样本清洗防御算法在自制的卫星对抗样本数据集上取得了优异的防御效果。样本清洗之后，攻击噪声完全被清除，在EfficientNet网络的识别中准确率提升了42.67％。
-
公开(公告)号：CN114612727A
公开(公告)日：2022-06-10
申请号：CN202210290919.3
申请日：2022-03-23
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 针对本质图像分解任务，本发明提出了一种并行局部分频选择的重构方法，可实现对反射图和光照图的准确重构。本质图像分解是一个欠约束问题。基于编解码网络的本质图像重构提供了一个有效的解决方案，但该方案的结果仍存在不足，因此，需要对各个频段的信息做更加精准的选择才能获得更加准确的分解结果。本发明提出的网络结构将两个并行的生成对抗网络作为主体网络，分别对反射图和光照图进行重构。针对生成网络，本发明提出了局部分频特征融合的策略，分别实现对高频反射特征和低频光照特征的选择和保留。同时，本发明在鉴别器中加入了多尺度的自适应组合模块，对多尺度特征的贡献进行自适应评估，强化鉴别效果并提升生成效果。进一步，本发明构建了多种损失函数来约束生成结果并促进网络的训练。本发明所提算法在多种数据集上都表现优异。在MPI‑Sintel数据集中，本发明相比其他方法的最优结果的重构均方误差降低了13.26％；在ShapeNet数据集中，本发明相比其他方法的最优结果的重构均方误差降低了26.09％。
-
公开(公告)号：CN113870124A
公开(公告)日：2021-12-31
申请号：CN202110980864.4
申请日：2021-08-25
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于弱监督的双网络互激励学习阴影去除方法，只需要阴影检测任务标签即可完成阴影去除任务的训练，其中阴影残差网络用于升成阴影分布的模拟图，利用弱标签来训练，阴影提亮网络是端对端的网络，可直接由阴影图像升成阴影去除图像，利用阴影残差网络结果进行训练，阴影提亮网络结果作为阴影残差网络的输入，使用阴影残差网络在两张图像依次输入网络得到残差图像后，利用输入图像和对应残差图像间关系计算网络损失。本发明丰富样本的多样性，提升阴影残差网络的能力，有效提高阴影残差网络的输出性能。有效的减少了在数据标注中人力物力的投入。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.045 seconds)
