-
公开(公告)号：CN114494973B
公开(公告)日：2024-03-29
申请号：CN202210132989.6
申请日：2022-02-14
Applicant: 中国科学技术大学
IPC: G06V10/774 , G06V10/26 , G06V20/40 , G06V10/764 , G06V20/70
Abstract: 本发明公开了一种视频语义分割网络的训练方法、系统、设备及存储介质，利用视频数据内在的关联性，设计了帧间特征重构的方案，借助无标注帧特征所提取的类别原型对有标注帧特征进行重构，从而利用标注信息对重构特征进行监督学习，达到了利用视频数据的单帧标注信息对无标注帧提供准确监督信号的目的，训练视频数据的不同帧均受到相同的监督信号进行监督，从而拉近了不同帧的特征分布，可以有效缓解帧间过拟合现象，进而提升模型的泛化性能；并且在测试集上测试表明通过本发明训练后的视频语义分割网络获得更高的分割精度。
-
公开(公告)号：CN117253097B
公开(公告)日：2024-02-23
申请号：CN202311541384.3
申请日：2023-11-20
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种半监督域适应图像分类方法、系统、设备及存储介质，它们是一一对应的方案，方案中：使用灵敏度加权的特征对比损失与概率空间对比损失，在原有的特征对比学习的方法上，在概率空间构建对比损失，对齐多个维度的目标域特征并且同步特征提取器和分类器的优化，防止分类器因为偏向源域样本而导致的次优的领域迁移效果；并且，使用灵敏度分数引导网络关注具有挑战性的目标域样本，着重解决会导致分类效果差的少数困难样本；同时，伪标签监督概率空间对比损失，避免语义冲突的发生，使网络学习到更好的领域不变特征。总的来说，本发明利用联合对比学习，结合灵敏度分数和类别感知，提升了半监督域适应的图像分类准确率。
-
公开(公告)号：CN116309653A
公开(公告)日：2023-06-23
申请号：CN202310560357.4
申请日：2023-05-18
Applicant: 中国科学技术大学
IPC: G06T7/12 , G06T5/50 , G06V10/26 , G06V10/80 , G06V10/774
Abstract: 本发明公开了一种弱监督图像语义分割方法、系统、设备及存储介质，它们是一一对应的方案，方案中：通过训练一个孪生网络，对图像的不确定像素进行网络间的交互监督，以实现网络对不确定像素的鲁棒学习，减缓伪标签噪声的影响；同时针对边界噪声的问题，通过构造一些边界已知的样本来增强边缘区域的预测能力；综上，本发明通过结合提出的边界增强和协同训练方式，有效减缓了伪标签噪声的影响，提高了网络的语义分割性能，能够更为准确的实现图像的语义分割。
-
公开(公告)号：CN116109877B
公开(公告)日：2023-06-20
申请号：CN202310364487.0
申请日：2023-04-07
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种组合式零样本图像分类方法、系统、设备及存储介质，它们是对应的方案，方案中：构建基于子类信息感知的特征提取网络与基于子类信息调制的动态分类器，基于子类信息感知的特征提取网络能够捕捉表征图像子类信息的视觉特征，基于子类信息调制的动态分类器能够根据图像的属性与物体所属子类的不同，动态调整相应分类器的权重，使得本发明能够对属于不同子类的原始概念进行针对性地识别（即分别对属性和物体的类别进行分类），从而解决传统的解耦式学习与合成式学习方法受到属性与物体的视觉特征耦合而造成的图像分类模型判别性下降的问题，实验结果表明本发明所提出的方法在组合式零样本图像分类任务上能够大幅提升分类准确率。
-
公开(公告)号：CN116109877A
公开(公告)日：2023-05-12
申请号：CN202310364487.0
申请日：2023-04-07
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种组合式零样本图像分类方法、系统、设备及存储介质，它们是对应的方案，方案中：构建基于子类信息感知的特征提取网络与基于子类信息调制的动态分类器，基于子类信息感知的特征提取网络能够捕捉表征图像子类信息的视觉特征，基于子类信息调制的动态分类器能够根据图像的属性与物体所属子类的不同，动态调整相应分类器的权重，使得本发明能够对属于不同子类的原始概念进行针对性地识别（即分别对属性和物体的类别进行分类），从而解决传统的解耦式学习与合成式学习方法受到属性与物体的视觉特征耦合而造成的图像分类模型判别性下降的问题，实验结果表明本发明所提出的方法在组合式零样本图像分类任务上能够大幅提升分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN115861882A
公开(公告)日：2023-03-28
申请号：CN202211529638.5
申请日：2022-11-30
Applicant: 国网安徽省电力有限公司超高压分公司 , 中国科学技术大学先进技术研究院
Inventor： 董翔宇 , 石永建 , 樊培培 , 李腾 , 朱涛 , 廖军 , 张俊杰 , 赵梦露 , 李奇 , 周正 , 高源 , 谢佳 , 黄杰 , 郭振宇 , 张学友 , 魏南 , 马欢 , 王子磊 , 张晗
Abstract: 本发明实施例提供一种基于光流跨域鲁棒性的域适应视频语义分割学习方法，属于视频的语义分割技术领域。该方法包括：预设源域标注好的训练数据集、目标域的训练集以及目标域的测试集；构建用于对源域视频进行语义分割的语义分割模型，语义分割模型包括SegNet网络、FlowNet网络以及SFM网络，且SegNet网络用于提取输入的源域视频的语义分割信息，FlowNet网络用于提取输入的源域视频的光流标签；SFM网络用于在光流标签的监督下，从语义分割信息提取出最终的语义分割信息；采用训练数据集训练FlowNet网络，以使得FlowNet网络能够从输入的源域视频中提取光流标签；采用训练好的FlowNet网络和训练数据集训练SFM网络；采用目训练数据集、训练集、训练好的FlowNet网络和SFM网络训练SegNet网络。
-
公开(公告)号：CN110210363B
公开(公告)日：2022-09-06
申请号：CN201910444082.1
申请日：2019-05-27
Applicant: 中国科学技术大学
Abstract: 本发明涉及一种基于车载图像的目标车辆压线检测方法，基于图像实例分割方法获得车辆在图像中的位置，结果以车辆检测分割图表示，基于车道线检测方法获得车道线区域在图像中的位置，结果以车道线分割图或车道线曲线表示；针对单个目标车辆，生成感兴趣区域ROI；ROI中进行车辆前后轮位置估计，得到车辆前后轮分别与地面接触的两条线段；同时，如果车道线检测结果以分割图表示，则对车道线进行曲线拟合，得到每条车道线的拟合曲线；依据估计的车辆前后轮位置和车道线曲线，进行目标车辆压线判别，最终判断车辆压线与否。本发明提升了车辆压线检测准确率，且具有较低的处理复杂度。
-
公开(公告)号：CN114332568B
公开(公告)日：2022-07-15
申请号：CN202210258343.2
申请日：2022-03-16
Applicant: 中国科学技术大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种域适应图像分类网络的训练方法、系统、设备及存储介质，引入对比学习将相同语义的特征聚类，解决域适应图像分类任务在目标域标签不足的问题；本发明将特征对比学习改进为概率对比学习，通过在概率空间进行对比学习，减小聚类后的同语义特征与类权重之间的距离，提高分类的准确率；并且，仅添加了一个对比学习的损失（即总的概率对比损失），并未添加复杂的附加模块，参数量与之前的方法相比没有增加。总体来说，本发明在不添加其他附加模块的情况下提升模型整体性能，能够获得更精确的图像分类结果。
-
公开(公告)号：CN112132013B
公开(公告)日：2022-07-15
申请号：CN202011002420.5
申请日：2020-09-22
Applicant: 中国科学技术大学
IPC: G06V20/58 , G06V10/40 , G06V10/774 , G06V10/80 , G06K9/62
Abstract: 本发明涉及一种车辆关键点检测方法及系统，所述方法包括图像预处理、车辆关键点标记、车辆关键点检测网络构建、车辆关键点检测网络训练与使用，本发明将车辆的关键点分为简单关键点和困难关键点，先检测简单关键点，后检测困难关键点。为了更加精准定位车辆的困难关键点，充分地利用浅层特征与深层特征的信息，本发明采用自下而上的方式进行特征融合。最后，为了对定位偏差较大的关键点进行校正，使关键点的检测效果更加精准，本发明还增加了关键点偏移预测分支来预测关键点到车辆中心点的偏移。
-
公开(公告)号：CN114565972A
公开(公告)日：2022-05-31
申请号：CN202210167790.7
申请日：2022-02-23
Applicant: 中国科学技术大学
IPC: G06V40/20 , G06V10/40 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种骨架动作识别方法、系统、设备与存储介质，该方案中：一方面，利用在有标签源数据上的有监督学习方法来获取对动作具有判别力的信息，并且利用在无标签的目标数据上的无监督学习方法来提取目标数据自身的属性，从而充分利用了源数据和目标数据各自的优势，即使这些源数据和目标数据来自不同的分布甚至不同的动作类别，依然可以提供对动作类别有判别力的信息；另一方面，融合了两个支路的知识，通过在两个支路之间互相交换正负对的划分来实现两个支路的伪标签信息传递，以充分发挥两个模型互补的优势，实现相互促进学习；通过以上方式提升了模型训练效果，进而提升了骨架动作识别效果。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.034 seconds)
