-
公开(公告)号：CN118485114A
公开(公告)日：2024-08-13
申请号：CN202410940886.1
申请日：2024-07-15
申请人： 湖南大学
IPC分类号： G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
摘要： 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
公开(公告)号：CN117333908A
公开(公告)日：2024-01-02
申请号：CN202311433431.2
申请日：2023-10-31
申请人： 湖南大学
IPC分类号： G06V40/10 , G06N3/0464 , G06N3/08 , G06V10/24 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
摘要： 一种基于姿态特征对齐的跨模态行人重识别方法，包括：1、构建训练集；2、构建跨模态行人重识别网络，包括双流网络、姿态估计器、姿态引导特征增强块和第一广义均值池化层；3、选取可见光模态图像、红外模态图像，并通过数据增广得到额外模态图像，并输入到跨模态行人重识别网络中，得到最终的拼接特征；4、对跨模态行人重识别网络进行模态特征对齐学习。本发明通过引入人物关键部位特征来增强特征分辨能力，从而消除类内干扰，并引导跨模态行人重识别网络同时学习同一人物的跨模态一致特征，同时本发明提出了模态特征对齐学习方法，从特征分布对齐和分层聚合两个方面来减少了模态的巨大差异，还充分考虑了模态内和模态间的约束。
-
公开(公告)号：CN116109812A
公开(公告)日：2023-05-12
申请号：CN202310317496.4
申请日：2023-03-29
申请人： 湖南大学
IPC分类号： G06V10/20 , G06V10/774 , G06V10/82
摘要： 本发明涉及目标检测技术领域，公开了一种基于非极大值抑制阈值优化的目标检测方法，包括：获取待检测目标数据；将待检测目标数据输入预先训练得到的目标检测模型，得到多个目标检测框与每个目标检测框的置信度；获取每个目标检测框的可见比；将每个目标检测框的置信度和可见比输入预先训练得到的非极大值抑制阈值预测模型，得到对应的非极大值抑制阈值；根据非极大值抑制阈值对所有目标检测框进行冗余框筛选，获得目标检测结果。本发明可以解决人工设定固定阈值无法应对动态变化的目标图像或者视频序列，同时能够显著改善人工设定固定阈值所造成的漏检、误检等问题，有利于提高重度遮挡场景中目标检测的准确率。
-
公开(公告)号：CN114022904A
公开(公告)日：2022-02-08
申请号：CN202111304590.3
申请日：2021-11-05
申请人： 湖南大学
IPC分类号： G06V40/10 , G06V10/30 , G06V10/774 , G06V10/764 , G06K9/62
摘要： 本发明公开一种基于两阶段的噪声鲁棒行人重识别方法，包括步骤：输入带标签噪声的训练集；第一阶段：根据训练集的给定标签计算网络模型的交叉熵损失函数；根据预测标签计算标签调整正则化损失函数；计算纯样本损失函数；整合三项损失函数，得到自调整策略损失函数并分别训练两个不同的网络模型；第二阶段：更新可靠的预测标签集得到修正的交叉熵损失函数；计算对称的相对熵损失函数；寻找可靠三元组，计算噪声鲁棒的三元组损失函数；联合三项损失函数，得到网络模型的第二阶段总损失函数，并协同监督两个网络模型的学习，通过联合所有损失函数对两个网络模型进行迭代更新；测试性能，在含有噪声标签的设定下达到鲁棒性极好的行人重识别目的。
-
公开(公告)号：CN118485114B
公开(公告)日：2024-09-27
申请号：CN202410940886.1
申请日：2024-07-15
申请人： 湖南大学
IPC分类号： G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
摘要： 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
公开(公告)号：CN116206333A
公开(公告)日：2023-06-02
申请号：CN202310109245.7
申请日：2023-02-14
申请人： 湖南大学
IPC分类号： G06V40/10 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/764
摘要： 本发明公开了一种基于特征融合和标签可靠性的噪声行人重识别方法，该方法采用训练好的网络模型提取训练集中样本的特征映射；根据特征映射得到融合特征；通过融合特征丰富了特征包含的信息，扩大了特征注意力范围；根据样本间的融合特征筛选出样本的一阶K邻域图像，以及二阶K邻域图像；通过样本的一阶K邻域图像的标签以及二阶K邻域图像的标签，得到混合标签，进而通过混合标签精炼样本的标签，从而同时优化预测标签和网络模型；使得优化后的网络模型能够在含有噪声标签的数据集设定下提高识别准确率。
-
公开(公告)号：CN117542084A
公开(公告)日：2024-02-09
申请号：CN202311659687.5
申请日：2023-12-06
申请人： 湖南大学
摘要： 本申请涉及一种语义感知的跨模态行人重识别方法，该方法包括：获取若干身份的行人图像及其对应的身份标签；对可见光图像进行数据增强得到辅助图像；构建跨模态语义感知网络模型，基于可见光图像、红外图像以及辅助图像训练跨模态语义感知网络模型；将测试可见光图像、测试红外图像分别输入至训练好的跨模态语义感知网络模型，得到可见光模态的行人特征和红外模态的行人特征；将其中一个模态的行人特征作为查询集，另一模态的行人特征作为图库集，计算查询集中各行人特征分别与图库集中各行人特征之间的相似度并排序，基于排序结果得到跨模态行人重识别结果。该方法可以强调与身份相关的语义特征并增强模态不变的细粒度表示。
-
公开(公告)号：CN114022904B
公开(公告)日：2023-01-24
申请号：CN202111304590.3
申请日：2021-11-05
申请人： 湖南大学
IPC分类号： G06V40/10 , G06V10/30 , G06V10/774 , G06V10/764
摘要： 本发明公开一种基于两阶段的噪声鲁棒行人重识别方法，包括步骤：输入带标签噪声的训练集；第一阶段：根据训练集的给定标签计算网络模型的交叉熵损失函数；根据预测标签计算标签调整正则化损失函数；计算纯样本损失函数；整合三项损失函数，得到自调整策略损失函数并分别训练两个不同的网络模型；第二阶段：更新可靠的预测标签集得到修正的交叉熵损失函数；计算对称的相对熵损失函数；寻找可靠三元组，计算噪声鲁棒的三元组损失函数；联合三项损失函数，得到网络模型的第二阶段总损失函数，并协同监督两个网络模型的学习，通过联合所有损失函数对两个网络模型进行迭代更新；测试性能，在含有噪声标签的设定下达到鲁棒性极好的行人重识别目的。
-
公开(公告)号：CN117542084B
公开(公告)日：2024-08-20
申请号：CN202311659687.5
申请日：2023-12-06
申请人： 湖南大学
摘要： 本申请涉及一种语义感知的跨模态行人重识别方法，该方法包括：获取若干身份的行人图像及其对应的身份标签；对可见光图像进行数据增强得到辅助图像；构建跨模态语义感知网络模型，基于可见光图像、红外图像以及辅助图像训练跨模态语义感知网络模型；将测试可见光图像、测试红外图像分别输入至训练好的跨模态语义感知网络模型，得到可见光模态的行人特征和红外模态的行人特征；将其中一个模态的行人特征作为查询集，另一模态的行人特征作为图库集，计算查询集中各行人特征分别与图库集中各行人特征之间的相似度并排序，基于排序结果得到跨模态行人重识别结果。该方法可以强调与身份相关的语义特征并增强模态不变的细粒度表示。
-
公开(公告)号：CN116363700A
公开(公告)日：2023-06-30
申请号：CN202310317428.8
申请日：2023-03-29
申请人： 湖南大学
IPC分类号： G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06V40/20
摘要： 本发明涉及计算机视觉技术领域，公开了一种基于遮挡感知和特征复原的遮挡行人重识别方法，包括：获取包含检索行人图像的测试数据集，并将检索行人图像输入特征提取模型，获得检索行人图像的N个局部特征；将N个局部特征输入可见度感知模型，获得N个局部特征的局部可见度分数；根据局部可见度分数，获取检索行人图像与图库中被检索行人图像之间的特征距离；获取特征距离最小的K个被检索行人图像的可见局部特征，对检索行人图像的被遮挡局部特征进行补全；根据补全后的检索行人图像的局部特征和局部可见度分数，重检索相似行人图像。本发明实现了对不同遮挡场景下的遮挡行人图像进行遮挡物精确感知，以及更加鲁棒的行人重识别效果。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.02 秒)
