公开(公告)号：CN114972963B

公开(公告)日：2025-04-22

申请号：CN202210343339.6

申请日：2022-03-31

Applicant: 浙江大学

Inventor： 励雪巍 ,  李玺 ,  郑光聪 ,  吉娜烨 ,  于云龙 ,  王健

IPC: G06V20/00 ,  G06V10/764 ,  G06V10/774

Abstract: 本发明公开了一种基于关系独立和特征适应器的关系增量场景图生成方法。该方法包括如下步骤：获取用于训练关系增量场景图生成的、带有数据集标签的训练数据集，包含基子数据集和N个增量子数据集；使用预训练的目标检测器检测出训练数据集所有图像中的所有物体，选定关系检测器；在基子数据集上使用关系独立的训练方法训练关系检测器；在N个增量子数据集依次使用关系独立的训练方法配合特征适应器训练关系检测器；使用在第N个增量子数据集上训练好的关系检测器作为最终的关系检测器。本发明充分利用前序子任务的模型，并对各个关系进行独立建模，能够更好地适应关系增量场景图生成任务。

公开(公告)号：CN115131549B

公开(公告)日：2024-11-08

申请号：CN202210677715.5

申请日：2022-06-15

Applicant: 浙江大学

Inventor： 李玺 ,  曾浩 ,  王环宇

IPC: G06V10/25 ,  G06V10/774

Abstract: 本发明公开了一种基于自提升学习的显著性目标检测训练方法。该方法包括如下步骤：使用显著性目标检测模型，预测出训练图像中的显著性物体；构建渐进式提升模块，用于预测一致连续的显著性标签，指导显著性模型的学习，并以动量更新的方式更新渐进式提升模块的网络参数；利用样本自适应模块评估生成的连续标签的质量，从而动态调节模型连续标签对于显著性模型优化过程的影响；通过数据增强的对输入图像增广变换，通过多层次一致性正则化操作，提升显著性模型的泛化能力。本发明提出的训练方法，充分利用自提升学习和一致性学习范式，能够更好地帮助显著性检测模型的训练，增强模型的准确性和泛化性。

公开(公告)号：CN117746174A

公开(公告)日：2024-03-22

申请号：CN202211111992.6

申请日：2022-09-13

Applicant: 腾讯科技(上海)有限公司 ,  浙江大学

Inventor： 李玺 ,  李盛名 ,  郑光聪 ,  姚太平 ,  丁守鸿

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0455 ,  G06N3/048

Abstract: 本申请实施例公开了一种模型训练方法、装置、计算机设备和存储介质；本申请实施例可以获取训练样本图像，对训练样本图像进行噪声添加处理，得到噪声添加后样本图像；利用图像生成模型对噪声添加后样本图像进行去噪转移处理，得到去噪转移样本图像；利用预设判别模型对噪声添加后样本图像进行判别处理，得到噪声添加后样本图像对应的样本判别分布信息；基于样本判别分布信息和预设标签信息，计算预设判别模型对应的判别损失信息；基于判别损失信息对预设判别模型进行调整，得到性能符合要求的判别模型。通过本申请，可以有效地克服梯度消失的问题，提高模型生成图像的质量。

公开(公告)号：CN111931763B

公开(公告)日：2024-03-12

申请号：CN202010518387.5

申请日：2020-06-09

Applicant: 浙江大学

Inventor： 李玺 ,  王芳芳

IPC: G06V20/62 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774

Abstract: 本发明公开了一种基于随机形态边缘几何建模的深度场景文本检测方法，其步骤为：S1、获取用于训练场景文本检测的图像数据集；S2、在极坐标系下对文本边缘进行采样和归一化，利用切比雪夫多项式拟合获得几何编码信息真值；S3、利用全卷积特征提取网络对图像进行特征学习与全局特征融合；S4、对候选文本的特征向量进行分类，预测实例级别的几何编码，在全监督下联合优化模型；S5、建立端到端联合学习框架预测几何编码信息，并利用预测出的编码信息解码出文本边缘的精确位置和形状；S6、对S5输出的多边形集合进行非极大值抑制得到最终文本检测结果。本发明能对场景文本进行实例级别的边缘参数化表达和有效的参数学习，从而使模型更具准确性和鲁棒性。

公开(公告)号：CN113673555B

公开(公告)日：2023-12-12

申请号：CN202110776679.3

申请日：2021-07-09

Applicant: 浙江大学

Inventor： 李玺 ,  郑良立 ,  汪慧

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明公开了一种基于记忆体的无监督域适应图片分类方法，用于在给定有标签的源域数据集和无标签的目标域数据集上，通过记忆体对齐源域和目标域的分布，将源域数据集的知识迁移到目标域数据集上，在目标域数据集上获得较高的图像分类准确率。具体包括如下步骤：获取源域数据集和目标域数据集；用神经网络模型提取数据集中图片的特征，使用聚类算法辅助记忆体逐类别地存储源域和目标域的特征；训练神经网络，以源域与目标域记忆体的分布的相似性作为条件约束神经网络；不断迭代，得到训练好的网络模型；将模型应用在目标域数据集上，进行图像分类任务。本发明适用于无监督域适应领域中的知识迁移，面对各类复杂的情况具有较佳的效果和鲁棒性。

公开(公告)号：CN116403287A

公开(公告)日：2023-07-07

申请号：CN202310454567.5

申请日：2023-04-25

Applicant: 浙江大学

Inventor： 李玺 ,  窦洹彰 ,  张芃怡 ,  苏伟

IPC: G06V40/20 ,  G06V10/40 ,  G06V10/74 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/08

Abstract: 本发明公开了一种基于生成式反事实干预的步态识别方法，该方法具体步骤如下：获取步态数据；定义优化目标；设计基于动态卷积的注意力模块提取样本相关的特征；利用反事实干预去除混淆因子的影响；迭代训练。本发明通过在步态识别中引入生成式反事实学习，让模型达到关注表示步态的剪影图轮廓区域而不是不可解释的内部区域。该方法可以在实验室和野外场景都有可观的性能提升。本发明适用于多种场景下的步态识别，并且可以即插即用在先前的神经网络中。

公开(公告)号：CN110807462B

公开(公告)日：2022-08-30

申请号：CN201910858848.0

申请日：2019-09-11

Applicant: 浙江大学

Inventor： 陈怡峰 ,  李颂元 ,  李玺

IPC: G06V10/26 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种针对语义分割模型的上下文不敏感的训练方法，用于对视频的语义分割算法进行大幅加速。具体包括如下步骤：1)获取用于训练语义分割的多组图像数据集，并定义算法目标；2)使用基于全卷积网络结构的模型在该数据集上进行学习；3)使用类擦去样本生成器产生新的训练样本；4)使用步骤2)得到的网络参数，在原始数据集和步骤3)生成的新样本上结合一致性约束进行优化，得到对上下文不敏感的模型。本发明挖掘语义分割的场景理解能力，所训练的模型在数据擦除、数据干扰和风格迁移等条件下具有更好的泛化能力。

公开(公告)号：CN113239852B

公开(公告)日：2022-06-07

申请号：CN202110582977.9

申请日：2021-05-27

Applicant: 支付宝(杭州)信息技术有限公司 ,  浙江大学

Inventor： 夏巨鹏 ,  崔家宝 ,  李玺

IPC: G06V40/50 ,  G06V10/74 ,  G06V10/774 ,  G06K9/62 ,  H04N1/32

Abstract: 本说明书实施例公开了一种基于隐私保护的隐私图像处理方法、装置及设备，该方法包括：获取待识别的包含用户隐私信息的第一图像；基于对第一图像和预设的第二图像的语义理解，采用预设的信息隐写的方式将第一图像隐写入第二图像中，得到载秘图像，其中，载秘图像对应的图像特征与第一图像对应的图像特征之间的相似度小于预设第一阈值，并与第二图像对应的图像特征之间的相似度大于预设第二阈值，第二阈值不小于第一阈值，第二图像与第一图像不同，该信息隐写的方式包括通过模型训练得到的相应模型进行信息隐写处理；将载秘图像提供给服务器，以使服务器对载秘图像中的用户隐私信息进行识别处理。

公开(公告)号：CN114463848A

公开(公告)日：2022-05-10

申请号：CN202210104375.7

申请日：2022-01-28

Applicant: 浙江大学

Inventor： 李玺 ,  窦洹彰 ,  张芃怡 ,  赵彧涵 ,  秦泽群 ,  方毅

IPC: G06V40/20 ,  G06V20/40 ,  G06V10/764 ,  G06V10/774 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明公开了一种基于记忆增强的渐进式学习步态识别方法，通过对步态数据中的难易样本进行从易到难的渐进式学习，从而让模型学到更好的特征表达。该方法具体步骤如下：获取步态数据；定义优化目标；建模当前样本难易程度；根据样本难度以及训练进度确定当前样本权重；使用记忆体来对特征空间进行辅助约束；迭代训练。本发明适用于步态识别的复杂场景，面对各类行走条件具有较好的效果和鲁棒性。

公开(公告)号：CN111310593B

公开(公告)日：2022-04-19

申请号：CN202010065160.X

申请日：2020-01-20

Applicant: 浙江大学

Inventor： 李玺 ,  秦泽群 ,  王环宇

IPC: G06V10/44 ,  G06V10/774 ,  G06V20/58 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于结构感知的超快速车道线检测方法，用于在车道图像中进行超快速车道线检测问题。具体包括如下步骤：获取用于训练车道线检测方法的车道图像数据集，定义算法目标；建立基于分类的车道线预测模型；建立车道线结构模型；建立上下文全局分割特征模型；基于前述建模结果训练预测模型；使用所述学习框架的车道线预测结果。本发明用于复杂场景(复杂光照、遮挡)下的车道线检测，面对各类复杂情况具有较佳的效果和鲁棒性，同时具有极快的检测速度(大于300帧每秒)。