“余梓彤”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于掩码自编码器进行远程生理测量的自监督预训练方法-CN202310445533.X有效
发明人：刘鑫;张雨婷;余梓彤;岳焕景;杨敬钰 -专利权人：天津大学
申请日： 2023-04-24 - 公布日： 2023-09-08 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了基于掩码自编码器进行远程生理测量的自监督预训练方法，属于计算机视觉技术领域；本发明提出了rPPG‑MAE，它采用ST‑Map作为输入，利用掩码自动编码器(MAE)进行自监督的ViT预训练。据我们所知，这是第一次探索在具有挑战性的rPPG任务上使用ST‑Map输入的自监督学习，例如约束较少的VIPL‑HR数据集。本发明设计了一个新的rPPG损失函数来约束MAE预训练任务。提出的rPPG损失比原始MAE中采用的原始像素重建损失更适合于预训练，使ViT能够有效地学习rPPG信号的周期信息。除了原始ST‑Map，本发明还探索了几种rPPG任务相关的重构目标。提出了带通滤波的ST‑Map，将频率限制在心率信号范围内，有助于网络学习有用的周期信息。
基于掩码编码器进行远程生理测量监督训练方法

[发明专利]一种人脸防伪方法及装置-CN201911244680.0有效
发明人：赵晨旭;王泽正;余梓彤;秦云霄;周峰 -专利权人：北京爱笔科技有限公司
申请日： 2019-12-06 - 公布日： 2023-05-26 - 主分类号： G06V40/16 文献下载
摘要：本申请公开了一种人脸防伪方法及装置，包括：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；获取所述待检测人脸图像数据的梯度幅度响应数据；基于所述待检测人脸图像数据获取时空上的深度估计特征；基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。所述人脸防伪方法及装置，基于梯度幅度响应数据和深度估计特征确定防伪结果，实现过程将空间维度特征信息与时间维度特征信息结合起来进行人脸防伪的检测，综合考虑人脸面部深度和运动模式之间的相互作用，使得最终得到的防伪结果更加全面准确。
一种防伪方法装置

[发明专利]用于人脸模型超参数自适应获取的方法、装置和系统-CN202011041737.X在审
发明人：赵晨旭;余梓彤;唐大闰 -专利权人：上海明略人工智能（集团）有限公司
申请日： 2020-09-28 - 公布日： 2021-01-15 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种用于人脸模型超参数自适应获取的方法，包括：步骤S1：根据中心差分卷积函数，得到输出特征图；步骤S2：计算并得到输出特征图在训练集上的损失；步骤S3：根据输出特征图在训练集上的损失，得到自适应的中心差分卷积函数超参数。通过在训练过程中自学习得到超参数，避免了手工设计超参数带来的设计人员主观性的影响，提高了人脸质量、人脸识别或者人脸防伪模型的性能，同时降低了模型的部署以及使用成本，节省了实验时间。本发明还公开了一种用于人脸模型超参数自适应获取的装置和系统。
用于模型参数自适应获取方法装置系统

[发明专利]活体检测方法、计算机装置及计算机可读存储介质-CN201711330349.1有效
发明人： 余梓彤;严蕤;牟永强 -专利权人：深圳励飞科技有限公司
申请日： 2017-12-13 - 公布日： 2020-08-11 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种活体检测方法、计算机装置及计算机可读存储介质。在本发明中，利用预设训练集训练多层感知器确定多层感知器模型，获取待检测的连续N帧人脸图像，将连续N帧人脸图像的中间帧人脸图像由第一颜色空间转换为第二颜色空间，提取转换后的中间帧的人脸图像的纹理特征及连续N帧人脸图像的动态模式特征，融合纹理特征与动态模式特征获取融合特征，利用多层感知器模型对融合特征进行特征映射，输出映射特征并做归一化处理，获得活体标签的预测概率值和非活体标签的预测概率值，进而确定连续N帧人脸图像为活体或者非活体人脸图像。本发明中的融合特征包含纹理特征和动态模式特征，因此，可以提高活体检测的识别准确率以及安全性。
活体检测方法计算机装置可读存储介质

[发明专利]人脸防伪识别模型的训练方法、人脸防伪识别方法及装置-CN201911201319.X在审
发明人：赵晨旭;秦云霄;王泽正;余梓彤;周峰 -专利权人：北京爱笔科技有限公司
申请日： 2019-11-29 - 公布日： 2020-05-15 - 主分类号： G06K9/00 文献下载
摘要：本发明提供了一种人脸防伪识别模型的训练方法、人脸防伪识别方法及装置，本实施例可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
防伪识别模型训练方法装置