-
公开(公告)号：CN117592525A
公开(公告)日：2024-02-23
申请号：CN202311576896.3
申请日：2023-11-23
申请人： 中国科学院计算技术研究所
IPC分类号： G06N3/0495 , G06N3/0455 , G06N3/047 , G06N3/09 , G06N3/096 , G06V10/82 , G06V10/764
摘要： 本发明提出一种基于令牌封装与增强的视觉Transformer轻量化方法，包括：以视觉Transformer网络构建视觉模型；划分目标图像为多个图像块，将该图像块编码为图像令牌，对该图像令牌依重要性分类为高重要性令牌和低重要性令牌，将该低重要性令牌的信息封装至该代理令牌；以预设的注意力增强矩阵对该高重要性令牌、该分类令牌和封装后的代理令牌进行增强，生成该视觉模型的模型输入；以该视觉模型对该模型输入进行处理操作。本发明还提出一种基于令牌封装与增强的视觉Transformer轻量化系统，以及一种用于实现基于令牌封装与增强的视觉Transformer轻量化方法的数据处理装置。
-
公开(公告)号：CN117332043A
公开(公告)日：2024-01-02
申请号：CN202311319366.0
申请日：2023-10-12
申请人： 中国科学院计算技术研究所
IPC分类号： G06F16/33 , G06F16/35 , G06F18/24 , G06F18/25 , G06F18/213 , G06N3/045 , G06N3/0499 , G06N3/096 , G06F16/9536 , G06Q50/00
摘要： 本发明提出一种基于历史新闻评论辅助的虚假新闻即时检测方法和装置，采取教师‑学生结构训练，通过训练教师网络从历史新闻评论中获取知识，通过训练学生网络将评论中的知识迁移至学生网络参数中，实现不依赖评论的检测，同时利用历史新闻和评论训练教师网络，训练好的教师网络参数被冻结不再参与接下来的训练过程；仅利用历史新闻训练学生网络并利用步骤1中训练好的教师网络加以指导，最终使用训练好的学生网络检测新发布的虚假新闻。兼顾了虚假新闻检测的即时性与准确性。
-
公开(公告)号：CN116894184A
公开(公告)日：2023-10-17
申请号：CN202310728444.6
申请日：2023-06-19
申请人： 中国科学院计算技术研究所
IPC分类号： G06F18/214 , G06F18/23 , G06F18/2415 , G06F18/27 , G06F16/35
摘要： 本发明提出一种基于时序趋势预测的虚假新闻检测方法，包括：提取新闻样本的新闻表征；将该新闻表征进行聚类以获取至少一个主题簇；以每个主题簇的新闻样本按时序分布，建模为对应新闻主题的数据模型，基于该数据模型，预测该新闻主题的时序分布趋势；基于该时序分布趋势将各主题簇的新闻样本进行重加权后合并为训练集；以该训练集对虚假新闻检测器进行训练；通过该虚假新闻检测器对目标新闻进行虚假新闻检测。本发明还提出一种基于时序趋势预测的虚假新闻检测系统，以及一种用于实现基于时序趋势预测的虚假新闻检测的数据处理装置。
-
公开(公告)号：CN113343810B
公开(公告)日：2023-03-21
申请号：CN202110590381.3
申请日：2021-05-28
申请人： 国家计算机网络与信息安全管理中心 , 中国科学院计算技术研究所
IPC分类号： G06V20/40 , G06V40/10 , G06V10/774
摘要： 本发明提出一种基于时序多样性与相关性的行人重识别模型训练方法，包括以下步骤：获取训练样本数据，所述训练样本数据包括多个包含行人的视频序列；将所述训练样本数据输入至初始模型中采样各所述包含行人的视频序列的多帧视频，并且提取所述多帧视频的帧级别特征，聚合所述帧级别特征得到视频级别特征；基于所述视频级别特征计算视频级别损失；基于所述视频级别损失对所述初始模型的模型参数进行优化，得到行人重识别模型。
-
公开(公告)号：CN111832622A
公开(公告)日：2020-10-27
申请号：CN202010531569.6
申请日：2020-06-11
申请人： 国家计算机网络与信息安全管理中心 , 中国科学院计算技术研究所
摘要： 本发明提出一种特定人物丑化图片识别方法和系统，包括：获取包含特定人物的图片集，该图片集包括多张漫画和多张照片，该图片集中每张图片标有代表是否丑化的预设标签，以该图片集中漫画和照片分别作为训练数据，训练卷积神经网络模型，得到特定人物漫画识别网络和特定人物照片识别网络；通过前置网络判断待识别图片是否属于漫画，若是，则将该待识别图片发送至该特定人物漫画识别网络，得到该待识别图片的特定人物丑化图片识别结果，否则对该待识别图片进行人脸对比，判断该待识别图片是否包括该特定人物，若是则通过该特定人物照片识别网络，得到该待识别图片的特定人物丑化图片识别结果，否则得到该待识别图片不包括该特定人物的识别结果。
-
公开(公告)号：CN111832621A
公开(公告)日：2020-10-27
申请号：CN202010531567.7
申请日：2020-06-11
申请人： 国家计算机网络与信息安全管理中心 , 中国科学院计算技术研究所
摘要： 本发明提出一种基于稠密多路卷积网络的图片分类方法和系统，包括：构建由分组、变换、聚合构成的基本单元，基于该基本单元构建新的稠密模块，将密集连接的卷积DenseNet网络网络框架中原始稠密模块替换为该新稠密模块，得到稠密多路卷积网络；使用已标记类别的图片数据作为训练数据，通过梯度反向传播更新该稠密多路卷积网络中的权重，训练该稠密多路卷积网络，得到图片分类模型；将待分类图片数据输入该分类模型，得到该待分类图片数据的分类结果。本发明提出的稠密多路卷积网络，对DenseNet网络的基本模块进行了改进和优化，以获取表达力更强的特征。
-
公开(公告)号：CN111832406A
公开(公告)日：2020-10-27
申请号：CN202010508103.4
申请日：2020-06-05
申请人： 中国科学院计算技术研究所
摘要： 本发明提出的基于平衡分组Softmax的长尾目标检测方法与系统，该方法在网络结构上，改变网络的最后一个全连接层，对拥有不同训练样本数量的类别进行分组，将背景类别单独分为一组，在每组中都加入其它类别；在训练过程中，按照组内普通类别训练样本数量采样一定数量的其它类别样本进行训练，并在每个组内分别用Softmax函数激活并计算交叉熵损失；在测试过程中，在每个组内分别用Softmax函数激活，去掉组内其它类别，仅保留正常类别得分，用背景组的“其它”类别得分为所有正常类别加权，组成最终得分，用于后处理。该发明提升了在大规模长尾目标数据集上的目标检测以及实例分割性能。
-
公开(公告)号：CN109034198A
公开(公告)日：2018-12-18
申请号：CN201810664250.3
申请日：2018-06-25
申请人： 中国科学院计算技术研究所
IPC分类号： G06K9/62
摘要： 本发明涉及一种基于特征图恢复的场景分割方法和系统，包括对原始图像进行降采样，得到降采样图像，通过特征学习网络得到该降采样图像的降采样特征图，将该降采样特征图的尺寸恢复为原始图像尺寸，得到上采样特征图，将该上采样特征图输入场景分割网络，得到该原始图像的场景分割结果。本发明利用降采样输入图像可以获得的较快的分割速度；利用原始大小输入图像可以获得的较高的分割精度。此外，本发明还提出了辅助中间层监督和边境区域重加权的方法辅助场景分割神经网络模型的优化过程，从而在保持模型加速的前提下提升加速后模型的分割精度。
-
公开(公告)号：CN101661559B
公开(公告)日：2013-03-06
申请号：CN200910092710.0
申请日：2009-09-16
申请人： 中国科学院计算技术研究所
摘要： 本发明提供一种数字图像训练方法以及利用该训练方法的图像检测方法。其中该训练方法包括下列步骤：提取训练样本的图像特征；根据所述图像特征对所述训练样本进行聚类分析，将所述训练样本分为多个子类；对于每个子类，根据所述图像特征进行SVM训练，生成SVM模型。利用该训练方法所获得的多个SVM模型进行图像检测，检测准确率高、且具有较佳推广性和较高时效性。
-
公开(公告)号：CN101661559A
公开(公告)日：2010-03-03
申请号：CN200910092710.0
申请日：2009-09-16
申请人： 中国科学院计算技术研究所
摘要： 本发明提供一种数字图像训练方法以及利用该训练方法的图像检测方法。其中该训练方法包括下列步骤：提取训练样本的图像特征；根据所述图像特征对所述训练样本进行聚类分析，将所述训练样本分为多个子类；对于每个子类，根据所述图像特征进行SVM训练，生成SVM模型。利用该训练方法所获得的多个SVM模型进行图像检测，检测准确率高、且具有较佳推广性和较高时效性。
-
-
-
-
-
-
-
-
-
搜索结果
75 条记录 (耗时 0.046 秒)
