-
公开(公告)号:CN117874488A
公开(公告)日:2024-04-12
申请号:CN202311750518.2
申请日:2023-12-18
Applicant: 人工智能与数字经济广东省实验室(深圳) , 长三角哈特机器人产业技术研究院
IPC: G06F18/213 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/045 , G06N3/088
Abstract: 本申请公开了一种零样本学习模型优化方法、装置、设备及存储介质,该方法包括:获取视觉编码器从样本图像中学习到的视觉特征;获取文本数据,将文本数据输入到文本编码器中,获取文本编码器从文本数据中学习到的语义属性特征;通过多模态交互模块使用视觉特征查询语义属性特征,得到第一交互结果,使用语义属性特征查询视觉特征,得到第二交互结果,根据第一交互结果和第二交互结果,将视觉特征和语义属性特征对齐;在零样本学习模型执行优化任务时,采用预设的综合损失函数生成模型,生成优化任务的综合损失函数;基于优化任务的综合损失函数优化零样本学习模型,得到优化后的零样本学习模型。本申请有利于提高零样本学习模型的优化效率。
-
公开(公告)号:CN118354081A
公开(公告)日:2024-07-16
申请号:CN202410339250.1
申请日:2024-03-22
Applicant: 人工智能与数字经济广东省实验室(深圳) , 深圳大学
IPC: H04N19/149 , G06T9/00 , H04N19/42 , H04N19/124 , H04N19/13 , H04N19/132
Abstract: 本申请适用于图像处理技术领域,提供了一种图像压缩方法、装置、终端设备及存储介质,其中,方法包括:通过编码器对输入图像进行编码,获得输入图像的第一隐式编码信息;然后将第一隐式编码信息输入复合先验模型,获得输入图像的第一统计信息;再对第一隐式编码信息和第一统计信息进行量化处理,获得第一目标隐式编码信息和第一目标统计信息;最后将第一目标隐式编码信息和第一目标统计信息进行熵编码,获得与第一目标隐式编码信息对应的第一比特流数据,以及与第一目标统计信息对应的第二比特流数据。本申请实施例可以有效提高图像压缩效率。
-
公开(公告)号:CN118279793A
公开(公告)日:2024-07-02
申请号:CN202410412021.8
申请日:2024-04-07
Applicant: 人工智能与数字经济广东省实验室(深圳) , 深圳大学
Abstract: 本申请公开一种视频超分模型及其训练方法、视频处理方法,涉及计算机视觉领域,视频超分模型包括帧对齐模块、特征提取模块和上采样模块,帧对齐模块用于对第一目标帧进行双向传播,得到第一目标帧与相邻帧之间的初始特征;特征提取模块包括深度可分离卷积残差块,深度可分离卷积残差块用于提取第一目标帧和初始特征融合后的特征,得到第一目标帧相对应的目标特征;上采样模块用于根据目标特征和目标权重,生成与第一目标帧相对应的高分辨率图。本申请实施例引入深度可分离卷积确定深度可分离卷积残差块,具有与RDB相同的特征,使得视频超分模型是一种轻量化的任意倍率视频超分模型,减少模型的参数数量,降低视频超分模型的计算量。
-
公开(公告)号:CN118170642A
公开(公告)日:2024-06-11
申请号:CN202410133379.7
申请日:2024-01-30
Applicant: 人工智能与数字经济广东省实验室(深圳) , 深圳光秒传感科技有限公司
Abstract: 本申请适用于智能体决策规划技术领域,提供了一种行为树模型的安全性检测方法及装置,该方法包括:获取目标对象对应的行为树模型,行为树模型用于控制目标对象的决策行为;获取安全约束条件,安全约束条件为目标对象在目标环境下安全运行的约束条件;对行为树模型进行形式化转换,得到状态机模型;基于安全约束条件,对状态机模型进行检测,得到检测结果,检测结果用于指示行为树模型是否满足安全约束条件。本方案能够实现对行为树模型的安全性验证,进而保证目标对象在行为树模型的控制下的运行过程的安全性,避免由于行为树模型的安全性问题而导致目标对象的损坏。
-
公开(公告)号:CN117422613A
公开(公告)日:2024-01-19
申请号:CN202311435325.8
申请日:2023-10-30
Applicant: 人工智能与数字经济广东省实验室(深圳)
Abstract: 本申请适用于计算机视觉技术领域,提供了一种图像处理方法、超分辨率模型训练方法及电子设备。图像处理方法包括:获取原图像以及缩放因子;其中,缩放因子表示目标分辨率与原图像的原分辨率的比值;利用超分辨率模型对原图像和缩放因子进行处理,以得到目标分辨率的目标图像;超分辨率模型是利用训练数据训练得到的,训练数据包括:训练原图像、训练缩放因子和标签目标图像,训练缩放因子表示标签目标图像的训练目标分辨率与训练原图像的训练原分辨率的比值。通过使用同一模型处理不同缩放因子需求的图像,并提高了图像质量,进一步提高了方法的通用性和灵活性,降低了时间复杂度和计算成本。
-
公开(公告)号:CN308919804S
公开(公告)日:2024-11-01
申请号:CN202330748649.1
申请日:2023-11-16
Applicant: 人工智能与数字经济广东省实验室(深圳) , 深圳大学
Abstract: 1.本外观设计产品的名称:带神经网络验证图形用户界面的显示屏幕面板。
2.本外观设计产品的用途:本外观设计产品的显示屏幕面板用于手机、笔记本电脑、平板电脑、台式机、车载电脑、电视机、或手表上显示界面、运行程序或通讯。
3.本外观设计产品的设计要点:在于屏幕中的图形用户界面设计。
4.最能表明设计要点的图片或照片:设计1主视图。
5.本外观设计产品的显示屏幕面板为常规设计,省略其他视图。
6.指定设计1为基本设计。
7.图形用户界面的用途:界面用于提供一个可视化的平台来实现基于模型学习的神经网络属性验证,方便用户上传自己的模型文件和数据文件,平台加载用户提交的数据和模型后,提供相关属性验证任务的创建、运行、及展示功能,可以加载各类PAC(Probabilistically Approximately Correct)模型来验证各类神经网络模型是否具备特定的属性(Property)。
8.图形用户界面的变化状态说明:设计1‑设计3主视图为打开平台的主界面;设计1界面变化状态图1为点击设计1主视图中的“FOLD”后显示的界面;设计1界面变化状态图2为点击设计1界面变化状态图1中的“ALL”后显示的界面;设计1界面变化状态图3为点击设计1界面变化状态图2中的“DELETE”后显示的界面;设计2界面变化状态图1为点击设计2主视图中“taskLabel”列下的任一项目后显示的项目详情界面;设计2界面变化状态图5为选择设计2界面变化状态图1的“Case”表格中“adversarial”列下的任一“preview”后显示的界面,展示识别出的对抗样本示例;设计3界面变化状态图1为点击设计3主视图中“taskLabel”列下的任一项目后显示的项目详情界面;设计3界面变化状态图2为选择设计3界面变化状态图1的“Case”表格中“explanation”列下的任一“preview”后显示的界面,展示对抗样本的特征分析示意图。
-
-
-
-
-