[发明专利]一种联合问答的图像自然语言描述方法在审
| 申请号： | 202211150406.9 | 申请日： | 2022-09-21 |
| 公开（公告）号： | CN115512191A | 公开（公告）日： | 2022-12-23 |
| 发明（设计）人： | 卫志华;刘官明;张恒 | 申请（专利权）人： | 同济大学 |
| 主分类号： | G06V10/778 | 分类号： | G06V10/778;G06N3/04;G06N3/08;G06T7/10;G06V10/774 |
| 代理公司： | 上海科律专利代理事务所(特殊普通合伙) 31290 | 代理人： | 范艳静 |
| 地址： | 200092 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种联合问答的图像自然语言描述方法，包括三个步骤：步骤一，首先使用图像分割模型对图像目标和图像背景的特征进行提取，得到像素级的不同类别的划分，获取目标和背景的分割特征图；步骤二，问题生成模块通过构建隐式的场景类型表征，产生包含关注目标信息的关系特征图，多粒度地生成若干个语义相关的引导问题；步骤三，联合问答模块引入对比学习的损失函数，对关系特征图和引导问题进行联合多模态嵌入表征，该模型通过训练，能生成问题相关的长文本回答，作为图像内容的精细化语义描述。 | ||
| 搜索关键词： | 一种 联合 问答 图像 自然语言 描述 方法 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于同济大学，未经同济大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202211150406.9/，转载请声明来源钻瓜专利网。
- 同类专利
- 生成网络的训练方法、装置、计算机设备、介质及产品-202211650228.6
- 林明宝;尤梨洲;李珂;任博;纪荣嵘 - 腾讯科技（深圳）有限公司
- 2022-12-21 - 2023-10-27 - G06V10/778
- 本申请公开了一种生成网络的训练方法、装置、计算机设备、介质及产品，涉及图像处理技术领域。该方法包括：将样本图像输入第一生成网络，得到第一生成网络输出的第一样本生成图像，第一生成网络预先经过对抗训练得到；将样本图像输入第二生成网络，得到第二生成网络输出的第二样本生成图像，第二生成网络的网络规模小于第一生成网络的网络规模；对第一样本生成图像进行图像拆分，得到至少两个第一图像内容块；对第二样本生成图像进行图像拆分，得到至少两个第二图像内容块；基于至少两个第一图像内容块和至少两个第二图像内容块之间的内容块损失，训练第二生成网络。该方法可以提高第二生成网络即学生生成器的图像生成性能。
- 数据处理方法及装置、设备、存储介质、程序产品-202310261520.7
- 李博;郑天翊;吴双;穆国栋;刘世策;丁守鸿 - 腾讯科技（深圳）有限公司
- 2023-03-13 - 2023-10-27 - G06V10/778
- 本申请的实施例公开了一种数据处理方法及装置、设备、存储介质、程序产品。该方法包括：获取第一图像对应的频域图像；从频域图像中确定出灰度变化频率小于预设频率阈值的低频区域，并对低频区域进行随机掩码操作；将掩码后的频域图像转化为第二图像，并对第二图像进行随机遮挡，得到遮挡后的第二图像；将遮挡后的第二图像作为训练数据；其中，训练数据用于对待训练模型进行训练。本申请提高减少针对低频区域的图像特征进行的提取过程，使得待训练模型集中提取非掩码区域的有效特征，同时使得待训练模型在学习过程中积累具有泛化性的图像特征，从而提高了待训练模型的有效特征提取能力和泛化能力。
- 一种输电线路长尾分布巡检数据的分析方法及系统-202310873090.4
- 严飞;张辉;孙成;吴佩悦 - 南京信息工程大学
- 2023-07-14 - 2023-10-13 - G06V10/778
- 本发明公开了一种输电线路长尾分布巡检数据的分析方法及系统，该方法基于联邦学习模型，将输电线路按照电压等级分为N个本地客户端，本地客户端通过预处理后的输电线路图像数据来训练本地TIN模型，并将训练后的N个本地TIN模型通过全局联邦学习模型进行聚合，生成全局模型，所述聚合是指在训练得到的N个本地TIN模型参数前乘以权重系数后叠加，所述权重系数采用熵权法确定；所述本地TIN模型的架构基于CLIP模型，结合文本监督和视觉监督来进行图像学习，其中视觉监督在经过图像特征提取后采用大核卷积注意力机制进行训练。本专利算法模型能够大大提高巡检数据分类运算的速度和准确率。
- 一种基于数据分析的智能化图片识别检索系统-202310850962.5
- 许育华 - 内蒙古沫岚智能家居科技有限公司
- 2023-07-12 - 2023-10-10 - G06V10/778
- 本发明公开了一种基于数据分析的智能化图片识别检索系统，包括图片信息采集模块、图片处理模块、图片特征识别模块、图片检索模块、预展示模块与信息发送模块；所述图片信息采集模块用于获取到图片信息，所述图片处理模块用于对图片进行优化处理获取到优化图片；所述图片特征识别模块用于对优化图片进行处理获取到识别特征信息；所述图片检索模块用于将识别特征信息导入到数据库中进行特征检索获取到相似目标信息；所述预展示模块用于将相似目标信息进行展示核验，所述信息发送模块用于在图片信息展示核验通过后将相似目标信息发送到预设接收终端。本发明能够更智能化的准确的进行图片识别检索。
- 一种基于迭代筛选与随机掩码学习的模型安全迁移方法-202310765978.6
- 王承杰;赵琛;武延军;吴敬征;郑森文;罗天悦 - 中国科学院软件研究所
- 2023-06-27 - 2023-09-29 - G06V10/778
- 本发明公开了一种基于迭代筛选与随机掩码学习的模型安全迁移方法，其步骤包括：1)固定既有未知渠道教师模型权重值，初始化学生模型权重；2)使用迭代强化筛选算法对教师模型各层级输出的通道进行筛选，强化高语义信息通道以提高传递信息精度，弱化删除受扰动后导致输出显著变化的通道以避免传递后门攻击触发器模式；3)输入目标训练数据集，每轮训练使用不同随机掩码对学生模型输出进行屏蔽以正则化学习教师网络通道输出，可避免持续学习不可信通道并学习全局强语义通道，直至学生模型收敛。本方法可应用于需将不安全来源训练的预训练模型迁移到学生模型使用时，可解决潜在的后门被迁移到学生模型上的危害并提高学生模型精度。
- 一种基于血管内超声图像的血流储备分数测量方法及系统-202010986669.8
- 张贺晔;刘修健;高智凡;林慧娴 - 中山大学
- 2020-09-18 - 2023-09-29 - G06V10/778
- 本发明公开了一种基于血管内超声图像的血流储备分数测量方法及系统，该方法包括：获取批量血管内超声图像并将批量血管内超声图像划分为训练集和验证集，得到训练集图像和验证集图像；基于训练集图像和验证集图像对预设模型进行优化，得到机器学习模型；获取待测血管内超声图像并进行图像特征提取，得到特征数据；将特征数据输入到机器学习模型，得到待测血管内超声图像的血流储备分数。该系统包括：划分模块、优化模块、特征模块和输出模块。通过使用本发明，根据IVUS图像即可计算FFR值，并且具有准确率高和计算要求低的特点。本发明作为一种基于血管内超声图像的血流储备分数测量方法及系统，可广泛应用于医学图像处理领域。
- 医学影像识别模型的更新方法、装置和计算机设备-202311068558.9
- 赖永航;陈栋栋;冯健 - 青岛美迪康数字工程有限公司
- 2023-08-24 - 2023-09-22 - G06V10/778
- 本发明涉及图像处理技术领域，提供了一种医学影像识别模型的更新方法、装置和计算机设备，该方法包括：根据医学诊断报告从医学检查影像中选取待识别图像，待识别图像为医学检查影像中显示出医学诊断报告中记载的诊断结果的图像；将待识别图像输入医学影像识别模型进行学习识别得到识别结果；判断待识别图像的识别结果与医学诊断报告中记载的诊断结果是否一致；若不一致，则将待识别图像加入医学影像识别模型的图像训练样本，实现医学影像识别模型的迭代更新。本发明能够自动筛选医学影像识别模型的训练样本，自动进行医学影像识别模型的迭代更新，节约了人力、时间成本，缩短了医学影像识别模型的迭代周期，提高了迭代效率。
- 基于时序复原任务的自监督式视频表征学习方法和设备-202310646938.X
- 王瀚漓;陈子彧 - 同济大学
- 2023-06-02 - 2023-09-22 - G06V10/778
- 本发明涉及一种基于时序复原任务的自监督式视频表征学习方法和设备，包括如下步骤：获取训练视频并划分为多个片段，选取用于训练的多个片段，打乱顺序并进行自动标注，构建时序复原任务；将用于训练的片段输入骨干网络中，获取各个片段对应的初级特征，将初级特征输入基于多头注意力的编码器，得到各个片段的顺序感知特征；将顺序感知特征聚合并输入基于硬注意力指针网络的解码器中，通过比较片段之间的时序逻辑关系得到复原后的片段序列，实现时序复原，根据复原后的片段序列计算损失函数值并对所述骨干网络的参数进行更新；重复上述步骤，选取不同的片段对所述骨干网络进行训练，获取预训练好的骨干网络。
- 用于修正用于检查机器学习模型的精度的真值的装置和方法-202310208691.3
- 孙林钰 - 织望丰田股份有限公司
- 2023-03-06 - 2023-09-19 - G06V10/778
- 本发明涉及用于修正用于检查机器学习模型的精度的真值的装置和方法。提供一种用于对用于测试对象物检测机器学习模型的精度的真值数据进行修正的方法和装置。方法包括：获取从摄像机视点观察的图像捕获区域的图像数据；获取与图像捕获区域中的对象物相关的真值数据；确定所获取的图像数据中包含的对象物的可见率；以及基于确定的可见率，修正真值数据。
- 学习装置、其控制方法以及存储有控制程序的计算机可读入存储介质-202310243915.4
- 谷重崇未;落合亮吉 - 丰田自动车株式会社
- 2023-03-13 - 2023-09-15 - G06V10/778
- 本发明提供学习装置、其控制方法以及存储有控制程序的计算机可读入存储介质。学习装置以从多个种类的识别对象识别作为第1种类的识别对象的第1识别对象的方式使第1识别器学习，其中，该学习装置具备：提取部，提取第1误识别对象，该第1误识别对象是所述多个种类的识别对象中的、在所述第1识别器中被误识别为所述第1识别对象的概率是预定比率以上的识别对象；学习数据生成部，生成第1学习数据，该第1学习数据包括所述第1识别对象和所述第1误识别对象都映入的图像；以及学习控制部，使用所述第1学习数据，使所述第1识别器学习所述第1误识别对象是与所述第1识别对象不同种类的对象。
- 一种用于动态智能货柜的鲁棒性特征学习方法-202310109875.4
- 张健;陶泽;贺建飚;任子欣;熊友曹 - 中南大学
- 2023-02-14 - 2023-09-12 - G06V10/778
- 本发明提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图m
- 一种基于类级图嵌入表示的遥感图像主动学习方法-202310569581.X
- 涂兵;廖晓龙;周佳栋;陈思源;彭怡书 - 南京信息工程大学;湖南理工学院
- 2023-05-19 - 2023-09-08 - G06V10/778
- 本申请涉及一种基于类级图嵌入表示的遥感图像主动学习方法。该方法包括：通过从高光谱遥感图像的标记数据中，随机取出标记集和未标记集，余下的样本作为测试集，设置主动学习的迭代次数与样本预算，使用标记集训练分类模型，通过网络参数得到样本的空谱特征表示，根据真实标签将标记集分为K类，逐类别构造图节点与邻接矩阵，训练类级图卷积网络模型，得到未标记样本的类间最小不确定性，挑选B个不确定样本作为查询集，赋予查询集真实标签并加入标记集，使用新的标记集更新分类模型与类级图卷积网络模型的参数，当迭代次数为I次时，利用更新后的标记集训练分类模型并对测试集进行分类得到分类结果。从而提高深度学习模型分类的准确率。
- 一种基于主动学习的开放集图像识别方法及系统-202310542527.6
- 梁吉业;王慧敏;王智强;郭婷 - 山西大学
- 2023-05-15 - 2023-09-01 - G06V10/778
- 本发明涉及机器学习开放集图像识别技术领域。现有方法对未标记数据的评估和伪标记信息的利用不足，难以学习到类别区分度较高的特征表示；本发明提供一种基于主动学习的开放集图像识别方法及系统，根据给定图像数据集使用Word2Vec生成已见类别的语义表示；训练特征提取模型，并将图像特征的匹配得分，与自适应选择的阈值进行比较，区分开放集样本和已见类样本；通过主动学习策略迭代地将高置信度已见类样本添加到标记数据集中，直到开放集样本都被识别出来；为每个未标记数据进行类别预测。本发明充分利用了未标记数据的伪标记信息，减少开放集样本对分类模型的影响并扩充标记数据集，提升了开放集图像识别的准确率。
- 图像处理方法以及装置-202310313663.8
- 张袁;陈威华;陆奕辰;孙修宇 - 阿里巴巴（中国）有限公司
- 2023-03-27 - 2023-08-29 - G06V10/778
- 本说明书实施例提供图像处理方法以及装置，其中所述图像处理方法包括：获取待处理图像；将所述待处理图像输入图像处理模型，获得图像处理结果，其中，所述图像处理模型基于参考模型输出的参考预测结果训练得到，所述参考预测结果基于所述参考模型对待迁移的样本图像特征增加扰动生成的多个扰动特征预测得到。对于一个参考模型，由于对样本图像特征增加扰动，那么可以得到不同的参考预测结果，在基于参考预测结果对图像处理模型进行知识蒸馏训练过程中，能够使图像处理模型学到由扰动带来的更多知识，丰富了图像处理模型的学习样本，减少计算资源占用，提升训练效率，并且能够保证图像处理模型的图像处理性能。
- 联合对比损失和重建损失的自监督视觉表征学习方法-202310542990.0
- 王耀威;李鑫;郑伟诗;高义朋;严俊楷 - 鹏城实验室
- 2023-05-15 - 2023-08-22 - G06V10/778
- 本申请实施例提供了联合对比损失和重建损失的自监督视觉表征学习方法及装置、存储介质，通过深度编码教师网络和深度编码学生网络根据原始输入图像构建蒸馏损失，以学习具有判别特性的特征；在深度编码学生网络的输出特征之上，添加解码网络用于重建原始输入图像，并构建了重建损失，以学习具有复原特性的特征；深度编码教师网络使用最后一层原始特征的自注意力图，计算自适应权重以调整蒸馏损失与重建损失的作用。本申请实施例中，通过构建蒸馏损失和重建损失以实现对于两种类型损失的联合优化，使得在相同的训练代价下所训练得到的深度编码教师网络和深度编码学生网络兼具良好判别能力和信息表征能力，有利于提高图像表征的全面性和泛化性。
- 图像信息增强方法、模型训练方法、装置、设备及介质-202310692621.X
- 赵云;龚湛;李军;朱红 - 苏州浪潮智能科技有限公司
- 2023-06-13 - 2023-08-22 - G06V10/778
- 本发明实施例提供了一种图像信息增强方法。方法包括：获取多个相机采集的图像信息序列和点云信息；从目标样本集中选取备选目标样本，将备选目标样本添加到当前时刻图像信息中，得到增强当前时刻图像信息，并将备选目标样本对应的点云信息添加，将备选目标样本添加到其他时刻图像信息中，得到增强其他时刻图像信息，并将备选目标样本对应的点云信息添加，使得备选目标样本在其他时刻图像信息和当前时刻图像信息中的位置符合时序训练要求，使得通过目标样本抽取、筛选与贴图处理，大幅增加了图像信息中目标样本的多样性，避免模型参数量过大，目标样本的数目分布更均衡，继而提升模型的泛化性能和检测精度，还能提升对较少目标样本类别的检测性能。
- 图像处理方法、电子设备、存储介质及计算机程序产品-202310300351.3
- 李帅霖;贾凡;汪天才 - 北京迈格威科技有限公司;南京旷云科技有限公司
- 2023-03-24 - 2023-08-15 - G06V10/778
- 本申请实施例提供一种图像处理方法、电子设备、存储介质及计算机程序产品。方法包括：获取待处理图像；利用经训练的学生处理模型对待处理图像进行图像处理；该模型通过以下训练操作获得：获取第一样本图像及对应的第一标注信息；将第一样本图像输入初始教师处理模型的教师编码模块进行编码；获取第一初始教师查询特征；将第一初始教师查询特征与第一真实查询特征进行合并；将第一教师编码特征和合并的第一教师查询特征输入初始教师处理模型的教师解码模块进行解码，获得第一教师处理结果；至少基于第一教师处理结果和第一标注信息，对初始教师处理模型进行训练；利用经训练的教师处理模型对第一初始学生处理模型进行蒸馏训练。该方式训练数据少。
- 模型训练方法、目标器官的分割方法及相关产品-202310614584.0
- 谢卫国;黄炳顶;李昊玉;陈卓;李丹 - 深圳惟德精准医疗科技有限公司
- 2023-05-29 - 2023-08-11 - G06V10/778
- 本申请公开了一种模型训练方法、目标器官的分割方法及相关产品。该模型训练方法包括：获取待训练模型；获取训练图像集，所述训练图像集包括第一CT图像和第二CT图像，所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到，所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置；通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理，得到所述目标器官的组织的第一三维分割结果；根据所述第一三维分割结果与融合标签的差异，得到所述待训练模型的损失，所述损失与所述差异呈正相关；根据所述损失更新所述待训练模型的参数得到目标模型。
- 图像分割模型的训练方法和装置、图像分割方法和装置-201911173359.8
- 曹世磊;王淑欣;陈思宏;马锴;郑冶枫 - 腾讯科技（深圳）有限公司
- 2019-11-26 - 2023-08-08 - G06V10/778
- 本申请涉及一种图像分割模型的训练方法、装置、计算机可读存储介质和计算机设备，所述方法包括：将获取的第一未标注图像输入所述语义分割网络中进行分割，得到第一分割图像；所述第一分割图像中的每个分割区域表示一个类别，一个分割区域中的各个像素点的类别相同；将所述第一分割图像输入所述判别网络中进行判别，得到所述第一分割图像对应的第一置信度图；所述第一置信度图用于表示所述第一分割图像中各个像素点的类别的可信程度；根据所述第一置信度图对所述第一分割图像中各个像素点进行标注，得到第一标注图像；将所述第一标注图像输入所述语义分割网络中，对所述语义分割网络进行训练。本申请提供的方案可以提高图像分割模型训练的准确性。
- 网络质量的评估方法、装置、边缘计算设备和介质-202210082563.4
- 赵宇韬;王易风;胡鹏;周春峰;徐舟;张立;高超;郑能心;胡晓飞;胡欣 - 中国移动通信集团浙江有限公司;中国移动通信集团有限公司
- 2022-01-24 - 2023-08-04 - G06V10/778
- 本发明公开了一种网络质量的评估方法、装置、边缘计算设备和介质，所述方法包括：获取PC端的游戏进程的游戏时延截图，确定所述游戏时延截图的感兴趣区域；识别所述感兴趣区域的字符信息；根据所述字符信息确定所述游戏进程的游戏时延，并将所述游戏时延发送至PC端。本发明准确确定了PC端的游戏时延，提高了网络测试的效率。
- 基于生成对抗网络的图像处理方法及装置-202310485914.0
- 王晓梅;蔡博君 - 杭州医策科技有限公司
- 2023-04-28 - 2023-08-01 - G06V10/778
- 本发明实施例公开了一种基于生成对抗网络的图像处理方法及装置，方法包括：获取待处理图像，将所述待处理图像输入预先训练的图像识别模型，即可得到增强图像；其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。在利用该图像识别模型进行图像识别时，能够更符合深度学习训练的图像增强要求，具有很好的泛化性，解决了图像增强的泛化性较差的问题。
- 一种基于扩散模型的自监督预训练方法-202310350662.0
- 陈力军;刘佳;王旭东;吕欢欢;白海洋 - 南京大学
- 2023-04-04 - 2023-08-01 - G06V10/778
- 本发明提供了一种基于扩散模型的自监督预训练方法，包括以下步骤：步骤1，在预训练的数据集上基于噪声预测的方式训练扩散模型，并将其作为教师网络；步骤2，将步骤1中训练完的扩散模型中U‑Net网络中的上采样部分的特征图提取出来，并进行拼接；步骤3，将学生网络输出的特征图与步骤2中提取的特征图进行对齐，从而对学生网络进行训练；步骤4，通过步骤3训练完的学生网络得到图像的全局特征图。本发明方法对图像中不同区域的语义相关性进行了显式地建模，并且添加了对图像的全局特征的正则化约束，从而大幅提升了通过本发明方法预训练得到的模型在图像分类、目标检测和语义分割等下游任务的性能。
- 基于分布式学习的图像训练方法、系统、介质及智能设备-201911108461.X
- 刘铎;段莫名;陈咸彰;谭玉娟 - 重庆大学
- 2019-11-13 - 2023-08-01 - G06V10/778
- 本发明公开了一种基于分布式学习的图像训练方法、系统、存储介质及智能设备，所述方法包括：接收服务端根据各客户端的图像分布数据下发的图像增强信息，并将进行图像增强后的图像分布数据传送至服务端；服务端根据增强后的图像分布数据创建中间进程，并通过各中间进程向对应的用户终端下发初始神经网络模型；各中间进程通过梯度下降法对各自的初始神经网络模型进行更新，并将更新后的中间层神经网络模型传送至服务端；服务端通过整合算法对各中间层神经网络模型进行整合，以得到全局神经网络模型。本发明能够在不平衡图片数据集的情况下使训练得到的神经网络模型具有较高的图片识别精度，减少达到指定图片识别精度所需的网络传输开销。
- 一种动态领域自适应方法、设备及计算机可读存储介质-201910427865.9
- 刘贵松;解修蕊;杨泽衡;张绍楷;占求港 - 电子科技大学中山学院;西南财经大学
- 2019-05-22 - 2023-08-01 - G06V10/778
- 本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，包括以下步骤：基于原始图像数据获取源域数据集和目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失L
- 表示学习-202180075526.4
- J·迪佩尔;S·沃格勒;J·霍内 - 拜耳公司
- 2021-11-12 - 2023-07-25 - G06V10/778
- 本文所公开的系统、方法和计算机程序涉及基于具有有限数目的经标记图像的图像训练数据对机器学习模型进行训练。
- 图像匹配模型的训练方法、图像匹配方法及其装置-202310417575.2
- 张天柱;何建峰;高源;吴枫 - 中国科学技术大学
- 2023-04-19 - 2023-07-18 - G06V10/778
- 本发明提供了一种图像匹配模型的训练方法、图像匹配方法及其装置。该训练方法包括获取与不同图像特征对应的键向量和值向量以及基于描述符学习模型的图像处理参数得到的查询向量；利用描述符学习模型的多头注意力层根据键向量、值向量和查询向量，生成新的图像处理参数；针对每个训练图像，根据新的图像处理参数和图像特征，生成上下文特征图；将多个上下文特征图输入至关键点检测模型，输出与每个上下文特征图对应的检测评分图和关键点检测器；将与每个训练数据集对应的多个检测评分图和多个关键点检测器输入损失函数，输出损失结果；根据损失结果迭代地调整初始匹配模型的网络参数，生成经训练的图像匹配模型。
- 一种基于集成学习的在线目标检测方法、设备及存储介质-202211730369.9
- 苏龙飞;管乃洋;凡遵林;王世雄;刘敏;杨楚乐;胡庆拥 - 中国人民解放军军事科学院国防科技创新研究院
- 2022-12-30 - 2023-07-14 - G06V10/778
- 本发明涉及计算机视觉技术领域，具体提供了一种基于集成学习的在线目标检测方法、设备及存储介质，通过对的深度神经网络在现有类别目标数据上进行基础训练，在需要对未参与该算法训练新的类别目标进行检测时，仅需要一张新目标的图片就能在图像中对目标进行检测。在实际应用中，避免了对新目标的繁杂的数据采集、数据标注与算法模型的离线训练，只要有一张新目标的样本图片就能对目标进行检测，尤其适用于视频监控、无人机对地探测以及遥感图像的高价值目标发现。
- 图像识别模型训练方法、图像识别方法、装置及电子设备-202310306756.8
- 杨馥魁 - 北京百度网讯科技有限公司
- 2023-03-24 - 2023-07-11 - G06V10/778
- 本公开提供了一种图像识别模型训练方法、图像识别方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉和蒸馏技术领域，图像识别模型训练方法，包括：获取目标图像，并将目标图像输入至目标模型中进行不确定性参数计算，以得到目标图像的不确定性参数；获取第一教师模型的第一损失函数和第二教师模型的第二损失函数；根据不确定性参数计算第一损失函数和第二损失函数的第一加权和；根据不确定性参数计算第三损失函数和第一加权和的第二加权和，以得到目标损失函数；根据目标损失函数对目标模型进行训练迭代，以得到图像识别模型。
- 一种胚胎无创评估方法及装置-201910491782.6
- 张孝东 - 张孝东
- 2019-06-06 - 2023-07-11 - G06V10/778
- 本发明涉及胚胎质量评估技术领域，公开了一种胚胎无创评估方法及装置，方法包括以下步骤：获取胚胎连续发育的多帧发育图片，根据所述发育图片提取胚胎发育的细节参数；获取胚胎着床前染色体检查的染色体状态参数；针对所述细节参数与所述染色体状态参数进行相关性统计运算，得到所述节参数与所述染色体状态参数的关联模型；根据所述关联模型进行胚胎发育的评估。本发明可以快速进行胚胎质量评估，减少胚胎体外发育时间，避免胚胎评估对胚胎发育造成影响。
- 一种标注框的修正方法、电子设备及存储介质-201911053228.6
- 王文琦 - 达闼机器人股份有限公司
- 2019-10-31 - 2023-07-11 - G06V10/778
- 本发明实施例涉及数据处理领域，公开了一种标注框的修正方法、电子设备及存储介质。本申请的部分实施例中，标注框的修正方法包括：根据图像的标注框信息，确定图像的标注框之间的重叠信息，重叠信息指示图像的标注框之间是否重叠；根据图像的标注框之间的重叠信息，若确定图像中存在重叠的标注框，调整图像的标注框，以减小重叠的标注框之间的重叠面积。该实施例中，可以减小标注框之间的重叠面积，提高基于深度学习的目标检测算法的学习效果，提高识别准确率。
- 专利分类
- 彩色图像和单色图像的图像处理
- 图像编码/图像解码方法以及图像编码/图像解码装置
- 图像处理装置、图像形成装置、图像读取装置、图像处理方法
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像解密方法、图像加密方法、图像解密装置、图像加密装置、图像解密程序以及图像加密程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序以及图像解码程序
- 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序、以及图像解码程序
- 图像形成设备、图像形成系统和图像形成方法
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序
- 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序
