-
公开(公告)号：CN114495013A
公开(公告)日：2022-05-13
申请号：CN202210191841.X
申请日：2022-03-01
申请人： 中南大学
摘要： 本发明公开了一种异常行为检测方法、装置及存储介质，在使用深度学习的基础上，充分发挥了边缘服务器高响应、低延迟的优势，提出了一种基于无数据知识传递的异常行为检测方法。本发明可以保证在不访问原始数据集，不使用任何自然图像和标记数据的前提下，为边缘模型提供用于训练的合成图像数据集，并利用云端模型和边缘模型之间的分歧提高合成图像的多样性。经过实验证明，本发明的可行性高，经过训练的模型可运行于边缘设备，且在异常行为检测时准确率较高，且拥有低延迟、响应快的优势，有效克服了庞大复杂的云端模型无法在边缘设备运行的弊端。
-
公开(公告)号：CN116129082B
公开(公告)日：2024-01-23
申请号：CN202310203413.9
申请日：2023-03-06
申请人： 中南大学
IPC分类号： G06T17/20 , G06V10/25 , G06V10/764 , G06V10/774
摘要： 本申请涉及一种面向无人货柜的TIN‑NeRF新视角图像标注方法，包括依次进行的如下步骤：利用无人货柜的3D摄像头构建目标物体的表面点云，将点云所在空间划分为三维格网体元；采用三角剖分算法建立目标物体三维格网体元的不规则三角网表示；将不规则三角网表示的目标物体图像用于训练神经辐射场网络，建立目标物体的神经辐射场表示；选取多个视角中其中任一视角进行标注，并采用布尔莎七参数模型获得其他视角下的标注框参数。将不规则三角网与神经辐射场结合，能够在得到一个表征物体表面的点云基础上构建不规则三角网，利用不规则三角网做代理，可以迅速找到物体表面，从而实现新视角场景的快速渲染。
-
公开(公告)号：CN116129082A
公开(公告)日：2023-05-16
申请号：CN202310203413.9
申请日：2023-03-06
申请人： 中南大学
IPC分类号： G06T17/20 , G06V10/25 , G06V10/764 , G06V10/774
摘要： 本申请涉及一种面向无人货柜的TIN‑NeRF新视角图像标注方法，包括依次进行的如下步骤：利用无人货柜的3D摄像头构建目标物体的表面点云，将点云所在空间划分为三维格网体元；采用三角剖分算法建立目标物体三维格网体元的不规则三角网表示；将不规则三角网表示的目标物体图像用于训练神经辐射场网络，建立目标物体的神经辐射场表示；选取多个视角中其中任一视角进行标注，并采用布尔莎七参数模型获得其他视角下的标注框参数。将不规则三角网与神经辐射场结合，能够在得到一个表征物体表面的点云基础上构建不规则三角网，利用不规则三角网做代理，可以迅速找到物体表面，从而实现新视角场景的快速渲染。
-
公开(公告)号：CN115984653A
公开(公告)日：2023-04-18
申请号：CN202310109795.9
申请日：2023-02-14
申请人： 中南大学
IPC分类号： G06V10/774 , G06V10/44
摘要： 本发明提供了一种动态智能货柜商品识别模型的构建方法，包括步骤S1、为动态智能货柜中的待测商品的特征提取准备用于半监督对比学习的商品数据集，将所述商品数据集随机划分为带标签训练集、无标签训练集和测试集，并分别用于特征提取网络gσ的训练和特征提取有效性的验证；步骤S2、随机初始化基于半监督对比学习的深度模型的参数；步骤S3、使用所述深度模型为所述无标签训练集预测伪标签数据集以及置信度；步骤S4、构建动态智能货柜商品识别模型。本发明能够提高对未标注的无标签训练集数据的利用率，提高所述动态智能货柜商品识别模型的泛化性和鲁棒性。
-
公开(公告)号：CN116758377A
公开(公告)日：2023-09-15
申请号：CN202310864152.5
申请日：2023-07-14
申请人： 中南大学
IPC分类号： G06V10/774 , G06N3/045 , G06N3/0475 , G06N3/086 , G06N3/094 , G06V10/764 , G06V10/82
摘要： 本发明提供了一种用于动态视觉货柜识别的自适应对抗训练方法，包括步骤S1、初始化目标网络参数或初始化目标网络预训练配置，获得动态视觉货柜中正确识别且未加扰动的Xclean；步骤S2、根据目标网络的鲁棒性，采用策略生成器利用启发式的差分进化算法生成自适应调整的攻击参数向量θ；步骤S3、将攻击参数向量θ输入对抗样本生成器，经对抗样本生成器在Xclean中添加扰动生成对抗样本；步骤S4、将Xclean和对抗样本同时输入目标网络中进行训练，并设置训练目标函数；步骤S5：重复步骤S2‑S4，直至达到最大迭代次数，获得用于动态视觉货柜识别的识别模型。本发明能够提高动态视觉货柜中识别模型的对抗攻击能力。
-
公开(公告)号：CN116342985B
公开(公告)日：2023-09-12
申请号：CN202310109875.4
申请日：2023-02-14
申请人： 中南大学
IPC分类号： G06V10/778 , G06V10/82 , G06V10/40
摘要： 本发明提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图mi，在所述mi上生成局部抑制掩码Ki'；步骤S5、将所述Ki'均匀覆盖在所述mi上，用于完成对所述mi上显著特征的抑制，获得MK'；步骤S6、采用步骤S1‑S3实施的全局抑制操作和步骤S4‑S5的局部抑制操作，最终生成第三输出特征图M”。本发明能够动态调整显著特征的抑制强度，获得精确的鲁棒性特征学习表现，提高了动态智能货柜零售商品识别的可信度。
-
公开(公告)号：CN115984653B
公开(公告)日：2023-08-01
申请号：CN202310109795.9
申请日：2023-02-14
申请人： 中南大学
IPC分类号： G06V10/774 , G06V10/44
摘要： 本发明提供了一种动态智能货柜商品识别模型的构建方法，包括步骤S1、为动态智能货柜中的待测商品的特征提取准备用于半监督对比学习的商品数据集，将所述商品数据集随机划分为带标签训练集、无标签训练集和测试集，并分别用于特征提取网络gσ的训练和特征提取有效性的验证；步骤S2、随机初始化基于半监督对比学习的深度模型的参数；步骤S3、使用所述深度模型为所述无标签训练集预测伪标签数据集以及置信度；步骤S4、构建动态智能货柜商品识别模型。本发明能够提高对未标注的无标签训练集数据的利用率，提高所述动态智能货柜商品识别模型的泛化性和鲁棒性。
-
公开(公告)号：CN116342985A
公开(公告)日：2023-06-27
申请号：CN202310109875.4
申请日：2023-02-14
申请人： 中南大学
IPC分类号： G06V10/778 , G06V10/82 , G06V10/40
摘要： 本发明提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图mi，在所述mi上生成局部抑制掩码Ki'；步骤S5、将所述Ki'均匀覆盖在所述mi上，用于完成对所述mi上显著特征的抑制，获得MK'；步骤S6、采用步骤S1‑S3实施的全局抑制操作和步骤S4‑S5的局部抑制操作，最终生成第三输出特征图M”。本发明能够动态调整显著特征的抑制强度，获得精确的鲁棒性特征学习表现，提高了动态智能货柜零售商品识别的可信度。
-
公开(公告)号：CN113037783B
公开(公告)日：2021-08-06
申请号：CN202110561988.9
申请日：2021-05-24
申请人： 中南大学
IPC分类号： H04L29/06
摘要： 本发明公开了一种异常行为检测方法及系统，在使用深度学习技术的基础上，综合边缘服务器、云端的体系结构优势，保证了边缘服务器高响应、低延迟。边缘服务器上传开放场景出现的异常行为至云端和下载云端系统中新增的行为类别。云端通过主动标签学习将异常行为由已知行为进行表示。由此构建了完善的边缘服务器和云端的异常行为检测闭环，边缘服务器无需与云端保持长连接，减轻了网络传输压力，异常行为的行为类别支持更新也更加符合开放场景下的异常行为检测需要。
-
公开(公告)号：CN113037783A
公开(公告)日：2021-06-25
申请号：CN202110561988.9
申请日：2021-05-24
申请人： 中南大学
IPC分类号： H04L29/06
摘要： 本发明公开了一种异常行为检测方法及系统，在使用深度学习技术的基础上，综合边缘服务器、云端的体系结构优势，保证了边缘服务器高响应、低延迟。边缘服务器上传开放场景出现的异常行为至云端和下载云端系统中新增的行为类别。云端通过主动标签学习将异常行为由已知行为进行表示。由此构建了完善的边缘服务器和云端的异常行为检测闭环，边缘服务器无需与云端保持长连接，减轻了网络传输压力，异常行为的行为类别支持更新也更加符合开放场景下的异常行为检测需要。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.021 秒)
