“郭怡文”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24个，建议您升级VIP下载更多相关专利

[发明专利]深度伪造检测方法、装置、存储介质及电子设备-CN202110097198.X有效
发明人： 郭怡文;王智;王长虎 -专利权人：北京有竹居网络技术有限公司
申请日： 2021-01-25 - 公布日： 2023-08-08 - 主分类号： G06V40/40 文献下载
摘要：本公开涉及一种深度伪造检测方法、装置、存储介质及电子设备，以提升深度伪造检测模型的泛化性能，从而提高深度伪造检测的场景适用性。该方法包括：获取待检测的目标图像；将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像；其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
深度伪造检测方法装置存储介质电子设备

[发明专利]对抗样本生成方法、装置、存储介质及电子设备-CN202110097206.0有效
发明人： 郭怡文;王智;王长虎 -专利权人：北京有竹居网络技术有限公司
申请日： 2021-01-25 - 公布日： 2023-05-16 - 主分类号： G06V40/40 文献下载
摘要：本公开涉及一种对抗样本生成方法、装置、存储介质及电子设备，以提高生成的对抗样本的攻击性，从而更有效的防御对抗攻击。该方法包括：获取待生成对抗样本的原始图像；确定与所述原始图像尺寸相同的目标标准差图像，并根据所述目标标准差图像和预设模糊半径，确定所述原始图像中每个像素点对应的目标高斯模糊核；针对所述原始图像中每一像素点，根据所述目标高斯模糊核和所述像素点周围、位于所述预设模糊半径范围内的目标像素点，确定所述像素点对应的目标高斯模糊值，以得到所述原始图像对应的目标高斯模糊图像；将所述目标高斯模糊图像作为所述原始图像对应的对抗样本。
对抗样本生成方法装置存储介质电子设备

[发明专利]对抗攻击的方法、装置、可读介质和电子设备-CN202011345853.0有效
发明人： 郭怡文;李奇璋;陈浩 -专利权人：北京有竹居网络技术有限公司
申请日： 2020-11-25 - 公布日： 2022-08-02 - 主分类号： G06V40/16 文献下载
摘要：本公开涉及一种对抗攻击的方法、装置、可读介质和电子设备，涉及数据处理技术领域，该方法包括：将属于第一类别的第一样本图像作为编码前图像，将编码前图像输入自编码模型，以根据自编码模型输出的编码后图像和第一模板图像，确定对抗图像，自编码模型为预先根据预设的训练集训练得到的，且与待攻击模型不相关的模型，训练集中包括第一样本图像、至少一个属于第一类别的第二样本图像，和多个属于第二类别的第三样本图像，第二类别和第一类别不相同，第一模板图像为训练集中指定的，属于第一类别的图像，将对抗图像输入待攻击模型，以使待攻击模型将对抗图像识别为第三类别，第三类别与第一类别不同。本公开提高了对抗攻击的适用范围。
对抗攻击方法装置可读介质电子设备

[发明专利]对抗攻击的方法、装置、可读介质和电子设备-CN202011340315.2有效
发明人： 郭怡文;李奇璋;陈浩 -专利权人：北京有竹居网络技术有限公司
申请日： 2020-11-25 - 公布日： 2022-06-21 - 主分类号： G06V10/774 文献下载
摘要：本公开涉及一种对抗攻击的方法、装置、可读介质和电子设备，涉及数据处理技术领域，该方法包括：将属于第一类别的第一样本图像作为编码前图像，将编码前图像输入自编码模型，以根据自编码模型输出的编码后图像和第一样本图像，确定对抗图像，自编码模型为预先根据预设的训练集训练得到的，且与待攻击模型不相关的模型，训练集中包括第一样本图像，将对抗图像输入待攻击模型，以使待攻击模型将对抗图像识别为第二类别，第二类别与第一类别不同。本公开无需预先获知待攻击模型的结构信息和参数信息，也无需预先对待攻击模型进行多次查询，就可以得到对抗图像，以对待攻击模型进行攻击，提高了对抗攻击的适用范围。
对抗攻击方法装置可读介质电子设备

[发明专利]传感器标定和传感器标定检测-CN202011462580.8在审
发明人： I·阿尔瓦雷兹;C·布尔克尔;M·S·福克斯;F·盖斯勒;R·格雷费;郭怡文;Y·侯;F·欧博利尔;D·波尔;A·C·乌尼尔维克;吴向斌 -专利权人：英特尔公司
申请日： 2020-12-11 - 公布日： 2021-10-19 - 主分类号： G01C25/00 文献下载
摘要：本申请公开了传感器标定和传感器标定检测。一种传感器标定器，包括一个或多个处理器，该一个或多个处理器被配置成用于：接收传感器数据，该传感器数据表示在传感器与标定图案之间的相对运动的时段期间、由传感器检测到的该标定图案的多个图像，其中传感器或标定图案沿线性行进路径移动；从多个图像确定标定调整；以及发送用于根据所确定的标定调整对传感器进行标定的标定指令。替代地，一种传感器标定检测设备，包括一个或多个处理器，该一个或多个处理器被配置成用于：接收在第一传感器沿行进路线移动期间检测到的第一传感器数据；确定第一传感器数据与所存储的第二传感器数据之间的差；以及如果该差在预定范围之外，则从第一操作模式切换至第二操作模式。
传感器标定检测

[发明专利]对抗样本生成方法、装置和电子设备-CN202011384245.0在审
发明人： 郭怡文;李奇璋;陈浩 -专利权人：北京有竹居网络技术有限公司
申请日： 2020-11-30 - 公布日： 2021-02-12 - 主分类号： G06K9/62 文献下载
摘要：本公开实施例公开了对抗样本生成方法、装置和电子设备。该方法的一具体实施方式包括：根据预设模型确定所述初始样本对应的预测输出值；基于预设损失函数确定所述预测输出值与所述初始样本对应的真实值之间的损失信息；将所述损失信息使用至少一个线性损失信息反馈单元传递至所述预设模型的输入层，并确定由传递至所述输入层的损失信息所确定的候选干扰信息是否满足预设条件；响应于确定所述候选干扰信息满足预设条件，将所述候选干扰信息确定为目标干扰信息，利用所述目标干扰信息调整所述初始样本，得到对抗样本。改善了对抗样本的泛化性。
对抗样本生成方法装置电子设备

[发明专利]生成对抗样本的方法、装置、电子设备及计算机存储介质-CN202010839966.X在审
发明人： 郭怡文;李奇璋;陈浩 -专利权人：北京字节跳动网络技术有限公司
申请日： 2020-08-19 - 公布日： 2020-11-20 - 主分类号： G06N3/04 文献下载
摘要：本公开提供了一种生成对抗样本的方法、装置、电子设备及计算机存储介质，涉及机器学习领域。该方法包括：根据目标模型的初始对抗样本，生成至少一个第一对抗样本；对于每一第一对抗样本，获取该第一对抗样本的第一特征信息及第一损失信息，第一特征信息为利用目标模型从该第一对抗样本提取的特征信息，第一损失信息为该第一对抗样本在目标模型中的损失信息；根据每一第一对抗样本的第一特征信息及第一损失信息，为初始对抗样本生成干扰信息；为初始对抗样本添加干扰信息，得到目标模型的目标对抗样本。本公开生成的目标对抗样本可以提高目标模型的可靠性和鲁棒性。
生成对抗样本方法装置电子设备计算机存储介质

[发明专利]使用改进的卷积神经网络用于图像处理的方法和系统-CN201780088111.4在审
发明人：王山东;郭怡文;姚安邦;蔡东琪;王立彬;徐琳;胡平;程文华;陈玉荣 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2020-03-24 - 主分类号： G06K9/00 文献下载
摘要：公开了使用改进的卷积神经网络（CNN）用于图像处理的方法和系统。在一个示例中，输入图像被下采样成具有比输入图像小的分辨率的较小图像。通过具有比用于以全分辨率处理输入图像的完整CNN的最后一层具有减少的数目的节点的最后一层的CNN来处理下采样的较小图像。通过具有有着减少的数目的节点的最后一层的CNN基于经处理的下采样的较小图像来输出结果。在另一示例中，浅层CNN网络是随机建立的。随机建立的浅层CNN网络被组合以模仿已训练的深度神经网络（DNN）。
使用改进卷积神经网络用于图像处理方法系统

[发明专利]用于深度学习中的特征的区分性语义转移和物理启发优化的方法和装置-CN201880026934.9在审
发明人：姚安邦;H.赵;M.卢;郭怡文;陈玉荣 -专利权人：英特尔公司
申请日： 2018-05-22 - 公布日： 2020-03-17 - 主分类号： G06N3/08 文献下载
摘要：公开了用于深度学习中的区分性语义转移和物理启发优化的方法和装置。用于卷积神经网络（CNN）的计算训练方法包括在第一级的CNN中接收训练图像序列以将杂乱场景的对象描述为语义分割掩码。在第二级的语义分割网络中接收语义分割掩码来产生语义特征。使用来自第一级的权重作为特征提取器和来自第二级的权重作为分类器，使用语义特征来标识凌乱场景的边缘。
用于深度学习中的特征区分语义转移物理启发优化方法装置

[发明专利]用于使用二元张量和缩放因子对来增强神经网络的方法和装置-CN201880026768.2在审
发明人： 郭怡文;姚安邦;赵昊;陆鸣;陈玉荣 -专利权人：英特尔公司
申请日： 2018-05-22 - 公布日： 2019-12-31 - 主分类号： G06N3/04 文献下载
摘要：公开了用于使用二元张量和缩放因子对来增强神经网络的方法和装置。例如，一种优化经训练的卷积神经网络(CNN)的方法包括将近似残差初始化为用于经训练的CNN的经训练的权重张量。确定多个二元张量和缩放因子对。使用二元张量和缩放因子对来更新近似残差。
缩放因子残差近似卷积神经网络方法和装置神经网络初始化更新优化

[发明专利]用于提升用于深度学习的深度神经网络的方法和系统-CN201780088080.2在审
发明人：王立彬;郭怡文;姚安邦;蔡东琪;徐琳;胡平;王山东;程文华;陈玉荣 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2019-12-17 - 主分类号： G06F9/30 文献下载
摘要：公开了用于提升用于深度学习的深度神经网络的方法和系统。在一个示例中，在包括第一浅网络和第二浅网络的深度神经网络中，由第一浅网络使用相等的权重来处理第一训练样本。基于使用相等的权重处理的训练样本来确定第一浅网络的损失。基于所确定的第一浅网络的损失来调整第二浅网络的权重。由第二浅网络使用调整后的权重来处理第二训练样本。在另一示例中，在包括第一弱网络和第二弱网络的深度神经网络中，由第一弱网络使用初始化的权重来处理训练样本的第一子集。确定第一弱网络在训练样本的第一子集上的分类误差。使用所确定的第一弱网络的分类误差利用调整后的权重来提升第二弱网络。由第二弱网络使用调整后的权重来处理训练样本的第二子集。
训练样本网络网络使用神经网络子集分类误差权重相等初始化学习

[发明专利]用于使用依赖树来增强二进制权重神经网络的方法和装置-CN201880026996.X在审
发明人： 郭怡文;姚安邦;赵昊;陆鸣;陈玉荣 -专利权人：英特尔公司
申请日： 2018-05-23 - 公布日： 2019-12-13 - 主分类号： G06N3/04 文献下载
摘要：公开了用于使用依赖树来增强二进制权重神经网络的方法和装置。一种增强具有二进制权重的卷积神经网络(CNN)的方法包括为所获得的二进制张量构建树，该树具有多个节点，这些节点开始于CNN的每层中的根节点。在该树的根节点处计算输入特征图与输入二进制张量的卷积。从树的根节点搜索下一节点，并且使用在该树的根节点处所计算出的先前的卷积结果在下一节点处计算卷积。从根节点开始，对于从树的根节点开始的所有节点重复对下一节点的搜索，并且使用先前的卷积结果在每个下一节点处计算卷积。
根节点二进制卷积计算卷积节点处权重搜索卷积神经网络方法和装置神经网络输入特征构建重复

[发明专利]用于对物理交互进行建模的高级人工智能代理-CN201780088086.X在审
发明人：姚安邦;蔡东琪;王立彬;徐琳;胡平;王山东;程文华;郭怡文;杨柳;侯宇清;苏舟 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2019-12-06 - 主分类号： G06T1/20 文献下载
摘要：本文描述了用于对物理交互进行建模的高级人工智能代理。用于提供主动人工智能(AI)代理的装置包括用于存储物理交互数据的至少一个数据库和耦合到该至少一个数据库的计算集群。计算集群在没有手动交互的情况下自动地从数据收集模块获得物理交互数据，将物理交互数据存储在至少一个数据库中，并且自动地训练机器学习程序单元的不同集合以利用基于所应用的物理交互数据而具有不同模型的每个个体程序单元来仿真物理交互。
物理交互人工智能数据库计算集群自动地数据收集模块存储物理仿真物理个体程序交互数据数据存储学习程序训练机器代理耦合到建模集合应用

[发明专利]用于利用硬件加速来生成高斯随机数的系统和方法-CN201780088098.2在审
发明人： 郭怡文;姚安邦;蔡东琪;王立彬;徐琳;胡平;王山东;程文华 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2019-10-25 - 主分类号： G06F1/02 文献下载
摘要：本文描述的是用于机器学习和深度学习应用的随机数生成的硬件加速。装置(700)包括均匀随机数发生器(URNG)电路(710)，用于生成均匀随机数，以及加法器电路(750)，其耦合到URNG电路(710)。加法器电路硬件(750)加速高斯随机数的生成以用于机器学习。
高斯随机数加法器电路机器学习硬件加速电路均匀随机数发生器均匀随机数随机数生成耦合到应用学习

[发明专利]用于深度神经网络的经预算和经简化的训练的方法和系统-CN201780088119.0在审
发明人： 郭怡文;侯宇清;姚安邦;蔡东琪;王立彬;徐琳;胡平;王山东;程文华;陈玉荣 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2019-10-25 - 主分类号： G06K9/66 文献下载
摘要：公开了一种用于深度神经网络（DNN）的经预算和经简化的训练的方法和系统。在一个示例中，训练器用于使用从经向下采样的训练图像导出的多个训练子图像来训练DNN。测试器用于使用从经向下采样的测试图像导出的多个测试子图像来测试经训练的DNN。在另一示例中，在具有位于卷积神经网络（CNN）与长‑短时间存储器（LSTM）之间的局部注意力机制的递归深度Q网络（RDQN）中，由CNN从输入图像生成多个特征映射。由局部注意力机制通过选择所生成的特征映射的子集来将硬注意力应用到所生成的多个特征映射。由局部注意力机制通过向所生成的特征映射的所选子集提供权重以获得加权的特征映射，来将软注意力应用到所生成的特征映射的所选子集。将加权的特征映射存储在LSTM中。基于存储在LSTM中的加权的特征映射来针对不同动作计算Q值。
映射注意力机制子集加权神经网络子图像采样导出注意力卷积神经网络时间存储器测试测试图像动作计算输入图像训练图像映射存储测试器训练器递归权重预算应用存储网络

1
2
下一页»
尾页
共 24 条