-
公开(公告)号：CN112883216B
公开(公告)日：2022-09-16
申请号：CN202110226266.8
申请日：2021-03-01
Applicant: 中国科学院信息工程研究所
IPC: G06F16/55 , G06F16/583 , G06K9/62 , G06V10/774 , G06N3/08
Abstract: 本发明公开了一种基于扰动一致性自集成的半监督图像检索方法及装置，包括将图像输入训练后的半监督图像特征提取模型，得到该图像的特征，其中所述半监督图像特征提取模型包括：一卷积神经网络、一哈希层和一扰动一致性自集成模块；将图像的特征转换为图像离散的二值哈希码；依据二值哈希码进行检索，得到图像检索结果。本发明通过集成同一个样本在不同数据增强条件下的特征，能够发现每个类别的判别特征；通过设计的扰动一致性损失函数最大化无标记数据的哈希层输出与对应的集成特征的相似性，充分的利用了无标记数据提升网络的泛化能力；能够取得更好的检索效果。
-
公开(公告)号：CN108399185A
公开(公告)日：2018-08-14
申请号：CN201810023335.3
申请日：2018-01-10
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种多标签图像的二值向量生成方法及图像语义相似度查询方法。本发明1利用训练数据集对卷积神经网络模型进行训练，直至该卷积神经网络模型的损失值趋于稳定；然后利用训练后的卷积神经网络模型对图像数据库中的图片进行计算，得到每张图片的二值向量并进行存储；利用训练后的卷积神经网络模型计算待查询图片的二值向量，并将其与存储的二值向量进行相似度计算，根据相似度计算结果返回与该待查询图片最相似的若干图片。本发明大大提高了图像的存储效率和查询效率；而且可以根据与查询图片的多级语义相似度对目标图片进行排序。
-
公开(公告)号：CN118430078A
公开(公告)日：2024-08-02
申请号：CN202410376819.1
申请日：2024-03-29
Applicant: 中国科学院信息工程研究所
Abstract: 本发明属于人脸隐私保护技术领域，涉及一种基于稳定扩散模型的人脸隐私保护方法和系统。该方法在目标图像嵌入阶段使用文本逆转方法训练能够保存目标图像语义信息的文本嵌入；在对抗样本生成阶段，利用目标图像嵌入阶段得到的文本嵌入对保护图像的去噪过程进行去噪引导，将目标图像的语义信息注入保护图像中，并通过DDIM反转得到原始图像和目标图像在稳定扩散模型隐空间的编码，以在保护图像的去噪过程中提供对抗引导；通过去噪引导和对抗引导生成保护图像，实现人脸隐私保护。本发明能够解决目前人脸隐私保护领域对抗样本不自然、与原图像视觉不一致、对抗扰动易被感知等问题，并能够提高在目标黑盒模型上的迁移性攻击能力。
-
公开(公告)号：CN117392487A
公开(公告)日：2024-01-12
申请号：CN202311295168.5
申请日：2023-10-08
Applicant: 中国科学院信息工程研究所
IPC: G06V10/776 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/094 , G06N3/096 , G06N3/084
Abstract: 本发明公开一种基于迁移性对抗攻击的深度哈希模型鲁棒性评估方法及装置，所述方法包括：利用标签提取器提取一数据类别的标签特征；将标签特征上采样到一干净样本的图片维度之后，与干净样本拼接；将拼接结果送入生成器，得到对抗样本；基于对抗样本进行待评估的深度哈希模型的评估。本发明通过提高对抗样本在目标模型上的迁移性攻击能力，更准确可靠地评估了深度哈希模型的鲁棒性和安全性。
-
公开(公告)号：CN116740751A
公开(公告)日：2023-09-12
申请号：CN202210193657.9
申请日：2022-03-01
Applicant: 中国科学院信息工程研究所
IPC: G06V40/10 , G06V20/52 , G06V10/774 , G06V10/44 , G06V10/72 , G06V10/82 , G06V10/764
Abstract: 本发明公开了一种基于隐式增强数据的行人重识别方法及装置，涉及人工智能领域。所述方法包括：构建行人重识别数据集；提取行人重识别数据的图像特征，计算每一摄像头类别中所述图像特征满足的高斯分布；根据所述高斯分布，获取若干随机变量，并将所述随机向量与所述图像特征在特征空间进行相结合，得到增强特征；基于所述图像特征与增强特征并结合所述行人类别标签，对一神经网络进行训练，得到行人重识别模型；将测试图像和数据库图像输入所述行人重识别模型得到图像特征，检索得到行人重识别结果。本发明缓解了行人重识别应用中存在的摄像头不平衡问题。
-
Patent Agency Ranking
公开(公告)号：CN112199532B
公开(公告)日：2022-10-14
申请号：CN202010906456.X
申请日：2020-09-01
Applicant: 中国科学院信息工程研究所
IPC: G06F16/532 , G06F16/55 , G06F16/583 , G06V10/74 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于哈希编码和图注意力机制的零样本图像检索方法及装置。该方法包括：构建哈希网络和关系网络；基于软边距的分类损失对哈希网络和关系网络进行训练；将数据库中的每一张图像输入到训练完成的哈希网络中，得到对应的图像哈希码；将待查询图像输入到训练完成的哈希网络中生成哈希码，计算其与数据库中每一张图像的哈希码之间的距离，并根据距离返回满足要求的查询结果。本发明能够同时考虑语义和视觉信息，充分挖掘类别之间的相似关系，从而更好地实现知识迁移，同时基于软边距的分类损失进行哈希学习能够在一定程度上避免对可见类别过拟合学习，提升模型对未见类别的泛化能力，进而提高零样本图像检索的效果。
-
公开(公告)号：CN114219017A
公开(公告)日：2022-03-22
申请号：CN202111459333.7
申请日：2021-12-02
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种隐式语义数据增强方法。本发明第一阶段利用原始数据训练特征提取器和分类器，然后利用分类器构建知识图谱，并基于提取的特征计算每个类别的类中心和协方差矩阵；第二阶段利用构建的知识图谱识别出尾部类别的相似类别，然后将相似类别的特征变换方向迁移到每个尾部样本上进行特征变化。通过挖掘类别之间的相关关系，极大地丰富了尾部类别多样性。最后，对每个样本沿着迁移的协方差矩阵进行变化方向的无限次高斯分布采样可以获得无穷样本，通过优化无限样本损失函数的上界，得到一个新的基于推理的隐式语义数据增强损失进行模型训练。
-
公开(公告)号：CN112883216A
公开(公告)日：2021-06-01
申请号：CN202110226266.8
申请日：2021-03-01
Applicant: 中国科学院信息工程研究所
IPC: G06F16/55 , G06F16/583 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于扰动一致性自集成的半监督图像检索方法及装置，包括将图像输入训练后的半监督图像特征提取模型，得到该图像的特征，其中所述半监督图像特征提取模型包括：一卷积神经网络、一哈希层和一扰动一致性自集成模块；将图像的特征转换为图像离散的二值哈希码；依据二值哈希码进行检索，得到图像检索结果。本发明通过集成同一个样本在不同数据增强条件下的特征，能够发现每个类别的判别特征；通过设计的扰动一致性损失函数最大化无标记数据的哈希层输出与对应的集成特征的相似性，充分的利用了无标记数据提升网络的泛化能力；能够取得更好的检索效果。
-
公开(公告)号：CN114219017B
公开(公告)日：2025-04-22
申请号：CN202111459333.7
申请日：2021-12-02
Applicant: 中国科学院信息工程研究所
IPC: G06F18/214 , G06F16/36 , G06F18/24 , G06N5/022 , G06N3/096
Abstract: 本发明公开了一种隐式语义数据增强方法。本发明第一阶段利用原始数据训练特征提取器和分类器，然后利用分类器构建知识图谱，并基于提取的特征计算每个类别的类中心和协方差矩阵；第二阶段利用构建的知识图谱识别出尾部类别的相似类别，然后将相似类别的特征变换方向迁移到每个尾部样本上进行特征变化。通过挖掘类别之间的相关关系，极大地丰富了尾部类别多样性。最后，对每个样本沿着迁移的协方差矩阵进行变化方向的无限次高斯分布采样可以获得无穷样本，通过优化无限样本损失函数的上界，得到一个新的基于推理的隐式语义数据增强损失进行模型训练。
-
公开(公告)号：CN119378601A
公开(公告)日：2025-01-28
申请号：CN202411291948.7
申请日：2024-09-14
Applicant: 中国科学院信息工程研究所
Abstract: 本发明属于人工智能技术领域，涉及一种基于表示蒸馏的深度哈希模型对抗训练方法和系统。该方法的步骤包括：1)利用干净样本训练与学生模型具有相同网络结构的深度哈希模型，作为教师模型；2)以最大化与教师模型输出的语义表示的距离为损失函数来迭代更新对抗样本；3)给定生成的对抗样本和原始干净样本，利用哈希码对齐损失函数和特征对齐损失函数实现从教师模型到学生模型的语义表示蒸馏，以指导学生模型的对抗训练过程；4)步骤2)和步骤3)交替进行，直到达到最大的迭代轮次。本发明能够充分保存教师模型从干净样本中学习到的判别性和可泛化性语义信息，从而解决现有方法无法充分学习这些语义信息而导致的模型鲁棒泛化性较差的问题。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.031 seconds)
