-
公开(公告)号：CN117853715A
公开(公告)日：2024-04-09
申请号：CN202211196141.6
申请日：2022-09-29
Applicant: 上海交通大学
IPC: G06V10/26 , G06V10/25 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08 , G06N3/0464
Abstract: 本发明提供一种基于旋转等变性的图卷积层的球形图像分类与分割方法及系统，其主要基于球形图，采用注意力机制获得具有旋转等变性的图卷积层；基于所述图卷积层，设计具有旋转不变性的球形图像分类框架；基于所述图卷积层，设计具有旋转等变性的球形图像分割框架。本发明构造过渡层实现了具有旋转不变性的球形图像分类；基于Unet框架实现了具有旋转等变性的球形图像分割。该球形图像分类方法与分割方法分别具有良好的实用性和扩展性，能够对旋转的图像具有很强的特征提取能力和识别能力。
-
公开(公告)号：CN117692644A
公开(公告)日：2024-03-12
申请号：CN202211030945.9
申请日：2022-08-26
Applicant: 上海交通大学
IPC: H04N19/146 , H04N19/154 , H04N19/192 , H04N21/2343 , H04N21/238 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于上下文强化学习的码率自适应方法及控制器构建方法，包括：构建以网络吞吐上下文信息为输入、当前网络动态隐变量表示为输出的网络动态编码器；构建以用户端信息和所述当前网络动态隐变量表示为输入、当前视频切片的最优码率版本为输出的码率自适应元策略网络；对所述网络动态编码器和码率自适应元策略网络组成的全局模型通过行为克隆方法进行预训练、利用基于互信息正则化的近端策略优化方法进行再训练；获得最优神经网络参数，基于异构的用户端，对神经网络参数微调，获得码率自适应控制器。本发明能够快速自适应异构用户的本地网络带宽环境，从而最大化用户的整体观看体验质量，提高了网络视频流传输的带宽利用率和鲁棒性。
-
公开(公告)号：CN111160436B
公开(公告)日：2023-04-21
申请号：CN201911330871.9
申请日：2019-12-20
Applicant: 上海交通大学
IPC: G06V10/764 , G06V10/82 , G06V10/46 , G06V10/44 , G06V20/20 , G06N3/042 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种旋转等变的图卷积神经网络的球形图像分类方法及系统，该方法包括：利用测地线二十面体采样方式构建球形图，利用构建的球形图表示球形图像；利用切比雪夫多项式滤波器构建具有旋转等变性质的图卷积层，对球形图进行图卷积；利用细分构图逆操作的池化层保持旋转等变性，对经过图卷积后的球形图进行图池化；利用基于图节点的均值及方差统计的过渡层，对经过图池化后的球形图的节点上的信号值进行统计，以通过全连接层对信号统计值进行处理进而对球形图像进行分类。该系统包括：依次连接的球形图构建模块、图卷积模块、图池化模块及图过渡模块。通过本发明，提高了对旋转图像的特征提取能力和识别能力，具有良好的实用性和扩展性。
-
公开(公告)号：CN115565231A
公开(公告)日：2023-01-03
申请号：CN202211271064.6
申请日：2022-10-17
Applicant: 上海交通大学
Abstract: 本发明提供一种隐私保护的人脸防伪方法和系统，将预训练的人脸防伪模型迁移到用户端，包括：获得可泛化的预训练人脸防伪模型，作为第一模型；将用户端人脸图像输入第一模型，产生第一伪标签；将第一模型作为初始化迭代更新得到第二模型；将第一模型的分类器权重特征，与第二模型输出的特征进行条件分布对齐；将用户端人脸图像分块并打乱顺序，以第一模型作为初始化，以乱序的人脸图像块迭代得到第三模型；结合第三模型和对齐后的人脸图像特征更新第二模型，用于用户端人脸防伪。本发明在保护人脸隐私没有预训练数据的情况下，将预训练好的人脸防伪模型迁移到用户端上进行使用，有效地提高用户在真实世界的不同环境下使用人脸防伪模型的准确率。
-
公开(公告)号：CN113115077B
公开(公告)日：2022-04-26
申请号：CN202110269265.1
申请日：2021-03-12
Applicant: 上海交通大学
IPC: H04N21/238
Abstract: 本发明公开了一种静态点云服务器端码率自适应传输方法及系统，该方法包括：服务器端将静态点云划分为3D空间切片；用户端将用户观看信息以及显示屏幕分辨率实时反馈给服务器端，并从服务器端下载可分配给每个3D空间切片的码率版本全集；服务器端根据用户观看信息以及显示屏幕分辨率计算出每一个空间切片的QoE贡献；并采用空间切片组成的全集、空间切片的码率版本全集、网络资源限制、每一个空间切片的QoE贡献，建立基于空间切片的码率自适应分配的优化问题，得到最优空间切片码率版本子集。系统包括：用户端、服务器端，对应实现上述功能。通过本发明，提高了静态点云传输的带宽利用率，为用户提供更好的质量体验。
-
Patent Agency Ranking
公开(公告)号：CN113255892A
公开(公告)日：2021-08-13
申请号：CN202110609293.3
申请日：2021-06-01
Applicant: 上海交通大学烟台信息技术研究院
Abstract: 本发明提供一种解耦合的网络结构搜索方法、设备及可读存储介质，包括：确定搜索空间，构建超网络；将超网络解耦成为各自独立的单一操作子网络；获取图像数据并分别作为超网络的网络参数、结构参数的训练数据；生成特征图，计算网络参数的交叉熵损失函数和变分丢弃损失函数，得到各通道丢弃概率，训练单一操作子网络至收敛并根据通道丢弃概率得到剪枝网络；将剪枝后的单一操作子网络组合成为超网络，生成特征图，计算交叉熵损失函数，更新超网络的结构参数；得到最终网络。本发明在保证较高的性能同时大幅度减少搜索时间和降低计算复杂度，保证了搜索的稳定性和实用性，可用于图像目标检测、分类等领域，提高图像处理速度。
-
公开(公告)号：CN112163990A
公开(公告)日：2021-01-01
申请号：CN202010932741.9
申请日：2020-09-08
Applicant: 上海交通大学
Abstract: 本发明提出了一种基于图卷积神经网络的360度图像的显著性预测方法及系统首先采用测地线二十面体构图方法将等距矩形投影格式的图像构造成球面图信号，然后将球面图信号输入提出的图卷积神经网络中进行特征提取并且生成球形显著性图信号，而后使用提出的基于球冠的插值算法将球形显著性图信号重建成等距矩形投影格式的显著性图。本发明进一步提出具有稀疏一致性的KL散度损失函数。本发明可以在主观和客观上达到优秀的显著性预测性能，并且在计算复杂度上优于现有方法。
-
公开(公告)号：CN111968133A
公开(公告)日：2020-11-20
申请号：CN202010760281.6
申请日：2020-07-31
Applicant: 上海交通大学
Abstract: 本发明提供了一种自动驾驶场景下的三维点云数据实例分割方法及系统，包括：利用目标物体的空间位置信息对室外街道场景进行初步识别与划分，形成感兴趣区域点云视柱；对感兴趣区域点云视柱提取包含物体的视柱点云与同分布的负样本视柱背景点云，形成视柱点云数据集；提取视柱点云数据集中每一个视柱点云包含物体的高维语义特征信息，同时引入带权重的多分类焦点损失函数，得到视柱内每一个点云所属的类别，实现对点云数据的实例分割。本发明提出的自动驾驶场景下的三维点云数据实例分割方法及系统，可以有效的增强目标细节特征表达，从而增强对点云困难样本的预测能力，提升了自动驾驶场景下点云实例分割的表现。
-
公开(公告)号：CN108268950B
公开(公告)日：2020-11-10
申请号：CN201810042040.0
申请日：2018-01-16
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于矢量量化的迭代式神经网络量化系统，包括：聚类模块、基于误差的划分模块、参数共享模块和重训练模块，其中：聚类模块充分利用参数本身的分布来控制量化误差；基于误差的划分模块将网络参数划分为量化和重训练两部分；参数共享模块将划分的量化部分进行量化；重训练模块固定量化后的参数，更新重训练部分的参数来弥补量化误差，恢复量化后网络的精度。四部分迭代式进行，直到网络所有参数都被量化为止。同时提供了一种基于矢量量化的迭代式神经网络量化方法。本发明在不损失网络精度的情况下，能够将神经网络的32位浮点数量化为4bit，具有很高的实用价值。
-
公开(公告)号：CN109242097B
公开(公告)日：2020-09-25
申请号：CN201810762484.1
申请日：2018-07-12
Applicant: 上海交通大学
Abstract: 本发明提供了一种无监督学习的视觉表示学习系统及方法，该系统包括：编码器、译码器、分类器；编码器、译码器、分类器均由深度卷积神经网络构成；编码器接收输入数据，并将输入数据转换为输入数据的表示后发送给译码器；译码器根据输入数据的表示得到重建数据，并将重建数据发送给编码器；以使得编码器根据重建数据得到重建数据的表示；分类器与编码器级联，构成判别器，判别器用于区分出接收到的数据是输入数据的还是重建数据。相较于基于生成模型的表示学习系统，本发明中的系统无需任何关于表示的先验分布，避免了过于简单的先验假设引入的偏差。相较于基于重建任务的表示学习系统，本发明系统能更有效地提取数据的全局中高阶特征。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.043 seconds)
