“姜育刚”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48个，建议您升级VIP下载更多相关专利

[发明专利]一种从图像域迁移到视频域的生成式跨模态攻击方法-CN202310759766.7在审
发明人：陈静静;陈凯;魏志鹏;姜育刚 -专利权人：复旦大学
申请日： 2023-06-26 - 公布日： 2023-09-08 - 主分类号： G06V10/82 文献下载
摘要：本发明属于视频识别网络模型安全技术领域，具体为一种从图像域迁移到视频域的生成式跨模态攻击方法。本发明仅利用图像域的知识训练对抗扰动生成器，训练好的对抗扰动生成器用于为来自不同视频域的视频逐帧生成对于不同视频模型具有较高迁移性的对抗扰动；其中，通过缩小图像和视频之间的域差异增强从图像域到视频域的对抗迁移性；设计一个随机运动模块，通过随机合成的光流来模拟相邻视频帧之间不同的时序运动；通过在特征破坏损失中集成随机运动模块；在训练阶段引入额外的时序线索、基于中间特征的时序一致性损失，增强生成视频对抗样本的迁移性；实验证明本发明攻击方法的有效性，并且在不同的目标视频域上有最先进的性能。
一种图像迁移视频生成式跨模态攻击方法

[发明专利]一种基于自监督学习任务的手绘草图理解深度学习方法-CN202010411459.6有效
发明人：付彦伟;林航宇;姜育刚;薛向阳 -专利权人：复旦大学
申请日： 2020-05-15 - 公布日： 2023-09-01 - 主分类号： G06V10/82 文献下载
摘要：本发明提供了一种基于自监督学习任务的手绘草图理解深度学习方法，其特征在于，包括如下步骤：步骤S1，基于不同的手绘草图中点的数据的分类对其中部分数据进行抹除，进一步将抹除部分数据后的手绘草图的数据用于自监督学习；步骤S2，将手绘草图的数据序列化后嵌入编码；步骤S3，将基于双向编码表示和自注意力机制的深度学习网络作为深度特征提取模块，并利用该深度特征提取模块提取手绘草图对应的点数据的深度特征；步骤S4，利用提取的深度特征预测被抹除的部分数据的坐标数据和状态数据；步骤S5，使用损失函数分别对坐标数据的预测与状态数据的预测任务进行训练从而获得训练好的网络模型。
一种基于监督学习任务手绘草图理解深度学习方法

[发明专利]全局-局部特征融合的病理图像虚拟重染色方法和装置-CN202310690594.2在审
发明人：陈智能;孙可欣;姜育刚 -专利权人：复旦大学
申请日： 2023-06-12 - 公布日： 2023-08-25 - 主分类号： G06T3/00 文献下载
摘要：本发明提供了一种全局‑局部特征融合的病理图像虚拟重染色方法，具有这样的特征，包括以下步骤：步骤S1，构建包括全局分支和局部分支的病理图像虚拟重染色网络，再根据现有病理图像对病理图像虚拟重染色网络进行训练，得到训练好的病理图像虚拟重染色网络作为病理图像虚拟重染色模型；步骤S2，将染色切片图像输入病理图像虚拟重染色模型，得到虚拟重染色图像。总之，本方法能够较好地解决方块效应，从而使虚拟重染色图像更接近真实染色效果。
全局局部特征融合病理图像虚拟染色方法装置

[发明专利]基于自监督排序学习的图像去冗余方法-CN202310492353.7在审
发明人：陈智能;罗扬;吴祖煊;姜育刚 -专利权人：复旦大学
申请日： 2023-05-05 - 公布日： 2023-08-18 - 主分类号： G06T5/00 文献下载
摘要：本发明属于图像智能分析领域，具体为一种基于自监督排序学习的图像去冗余方法。本发明将图像切分为不相交的小图像块集合，进而提出基于图像块推理重建质量的伪标签生成方法，以及基于此的图像块重要性排序建模及冗余内容识别。基于此，本发明的图像识别等下游任务可以仅在依据排序模型选择得到的重要图像块而不是全部图像内容上进行。本发明可以在保持识别精度的情况下，大幅降低当前具备识别优势的视觉自注意模型的计算代价。此外，该方法突破了传统有监督图像冗余内容识别方法会带来归纳偏差的不足，具有更好的通用性，并在相同的去冗余比例下具有更高的识别精度。
基于监督排序学习图像冗余方法

[发明专利]基于注意力增强薄板样条变换的图像文本矫正方法-CN202310536598.5在审
发明人：陈智能;郑天伦;姜育刚 -专利权人：复旦大学
申请日： 2023-05-12 - 公布日： 2023-08-04 - 主分类号： G06V30/146 文献下载
摘要：本发明提供了一种基于注意力增强薄板样条变换的图像文本矫正方法，具有这样的特征，包括以下步骤：步骤S1，对不规则文本图像进行处理得到预处理文本图像；步骤S2，根据预处理文本图像得到尺度特征图；步骤S3，根据尺度特征图进得到编码特征图和解码特征图；步骤S4，根据编码特征图得到前景控制点；步骤S5，根据编码特征图得到各个前景控制点的预测偏移量；步骤S6，根据预测偏移量得到回归前景控制点；步骤S7～S9，根据解码特征图和解码特征图得到公式；步骤S10，根据公式得到矫正特征图；步骤S11，根据矫正特征图生成矫正结果。总之，本方法能够提高图像文本的矫正质量进而提高识别准确性。
基于注意力增强薄板变换图像文本矫正方法

[发明专利]基于人工智能的视频分类方法、装置、设备和介质-CN201910808157.X有效
发明人： 姜育刚;黄帆;邱志勇;张星;吴祖煊;陈绍祥 -专利权人：腾讯科技（深圳）有限公司
申请日： 2019-08-29 - 公布日： 2023-06-30 - 主分类号： G06V20/40 文献下载
摘要：公开了一种基于人工智能的视频分类方法、装置、设备以及存储介质。所述方法包括：确定所述视频的至少两种类型的视频特征，其中至少一种类型的视频特征具有语义信息，至少另一种类型的视频特征具有时序信息；根据所述视频的时序信息和语义信息之间的关联性融合所述至少两种类型的特征，以确定所述视频的整体特征；基于所述整体特征确定所述视频的分类结果。
基于人工智能视频分类方法装置设备介质

[发明专利]视频分析神经网络模型的后门攻击方法-CN202010077148.0有效
发明人： 姜育刚;赵世豪 -专利权人：复旦大学
申请日： 2020-01-23 - 公布日： 2023-06-02 - 主分类号： G06V20/40 文献下载
摘要：本发明属于神经网络安全技术领域，具体为视频分析神经网络模型的后门攻击方法。本发明针对视频的高样本维度、高帧分辨率、稀疏数据集等更加严苛的后门攻击实施环境，使用视频后门污染样本构建框架，对视频分析神经网络模型进行后门攻击；视频后门污染样本构建框架包括三个部分：任务导向的模型高敏感度视频后门模式生成算法、特征模糊的模型低敏感度对抗噪声视频样本生成算法、污染样本生成与攻击算法；本发明从后门模式与原始样本两个方面引入梯度信息来建立攻击目标值与后门模式之间的关联。本发明方法具有攻击成功率高、隐秘性高、鲁棒性好、扩展性佳等优点，在视频分析神经网络模型中具有非常好的泛化性。
视频分析神经网络模型后门攻击方法

[发明专利]基于知识引导的小样本图像识别系统-CN202310058204.X在审
发明人：陈静静;卓林海;姜育刚 -专利权人：复旦大学
申请日： 2023-01-16 - 公布日： 2023-05-23 - 主分类号： G06V10/764 文献下载
摘要：本发明属于计算机技术领域，具体为基于知识引导的小样本图像识别系统。本发明系统包括基于知识引导的参数初始化模块以及小样本分类器训练模块。本发明先构建视觉以及语义知识图谱，之后通过参数初始化模块利用知识图谱将知识从预训练的分类器中迁移到小样本的数据集中，最终生成小样本分类器的初始化参数。之后小样本分类器训练模块利用得到的初始化参数初始化小样本分类器的参数，并在小样本数据集上训练得到小样本图像分类器，用于对小样本图像进行识别。本发明引入双流知识图谱能够提供更强的类别之间的联系，为小样本分类器提供更好的初始化参数，使分类器在样本较少的情况下快速收敛，从而提高分类器的分类性能。
基于知识引导样本图像识别系统

[发明专利]基于深度多示例学习的少样本行人重识别方法-CN201910073611.1有效
发明人：付彦伟;姜育刚;薛向阳;钱学林 -专利权人：复旦大学
申请日： 2019-01-25 - 公布日： 2023-05-02 - 主分类号： G06V40/10 文献下载
摘要：本发明涉及一种基于深度多示例学习的少样本行人重识别方法，包括三个阶段：网络预训练阶段、数据集扩充阶段、网络微调阶段。行人重识别特征提取子网络预训练之后，利用行人关键点特征区域交换算法进行数据扩充；利用扩充的数据集对行人重识别特征提取子网络和特征聚合子网络进行微调；迭代重复数据集扩充和网络微调，直到特征提取子网络和特征聚合子网络收敛。一旦训练完成，即实现了利用少样本将原始域上的行人重识别模型迁移扩展至目标域上。本发明在给定目标域少量学习样本的前提上，能有效地将行人重识别模型迁移扩展到目标域监控网络中，具有精确度高、鲁棒性好、扩展性佳、可迁移的优点。
基于深度示例学习样本行人识别方法

[发明专利]一种原型残差异常检测和定位方法-CN202211515044.9在审
发明人： 姜育刚;张辉;吴祖煊 -专利权人：复旦大学
申请日： 2022-11-29 - 公布日： 2023-03-24 - 主分类号： G06V10/82 文献下载
摘要：本发明属于计算机视觉异常检测与定位领域，具体为一种原型残差异常检测和定位方法。本发明通过学习异常和正常模式之间不同尺度和大小的特征残差，重建异常区域的分割图。该方法主要由两部分组成：一部分是用来表示异常对正常模式的残差特征的多尺度原型；另一部分是多尺寸自注意力机制，支持可变尺度的异常特征学习。此外，我们提出了多种异常生成策略，通过考虑可见异常和不可见异常的外观差异，实现了扩大和多样化异常样本。在四种常用数据集验证结果显示，相比于业内主流的有监督和无监督方法，本发明异常检测更加准确的同时，在异常定位的性能有更大的突破，证实了本发明的有效性和可泛化性。
一种原型异常检测定位方法

[发明专利]一种半监督单视角3D物体重建方法-CN202211149378.9在审
发明人：邢桢;吴祖煊;姜育刚 -专利权人：复旦大学
申请日： 2022-09-21 - 公布日： 2023-01-06 - 主分类号： G06T17/00 文献下载
摘要：本发明属于计算机视觉三维重建技术领域，具体为一种半监督单视角3D物体重建方法。本发明用少量的有标注的样本来训练神经网络，然后用训练好的神经网络为无标注的样本生成伪标签并指导无标注的样本训练，与之同时本发明提出了判别器为生成的伪标签质量打分，限制低质量伪标签对模型训练的偏置。此外本发明提出基于注意力机制的原型形状先验模块，作为一个跨越图像和3D形状的桥梁，减小两个模态之间的差异，同时为神经网络提供形状先验，保证重建的3D形状符合自然。相比于当前业内的主流方法，本发明在标注数据量很小的情况下，对于单张图像的三维重建效果更精确，生成的3D形状也更真实自然。
一种监督视角物体重建方法

[发明专利]一种将视频模型从源域迁移到目标域的领域自适应方法-CN202211106388.4在审
发明人：陈静静;殷曰浩;姜育刚 -专利权人：复旦大学
申请日： 2022-09-11 - 公布日： 2022-12-06 - 主分类号： G06V20/40 文献下载
摘要：本发明属于计算机技术领域，具体为一种将视频模型从源域迁移到目标域的领域自适应方法。本发明包括：将来自源域的视频样本和来自目标域的样本在时间维度上连接生成混合样本；混合样本领域判别器判别输入样本的领域构成情况，通过对抗学习增强主干网络提取领域无关性特征的能力；混合样本分类器对输入的样本进行分类；在训练过程中，根据混合样本领域判别器和混合样本分类器的损失函数值动态衡量视频模型中不同模态的领域适应程度，令领域适应程度更强的模态作为教师模态，向其他领域适应程度较弱的模态进行知识蒸馏，以增强其他模态的领域适应程度。本发明利用视频模型输入样本的时间维度信息等特点，显著提高视频模型的领域自适应表现。
一种视频模型迁移目标领域自适应方法

[发明专利]一种基于多教师知识蒸馏的跨域小样本识别方法-CN202211001654.7在审
发明人： 姜育刚;傅宇倩;谢宇;付彦伟;陈静静 -专利权人：复旦大学
申请日： 2022-08-19 - 公布日： 2022-12-02 - 主分类号： G06K9/62 文献下载
摘要：本发明属于计算机技术领域，具体为一种基于多教师知识蒸馏的跨域小样本识别方法。本发明方法包括：构建特征提取网络模型，小样本分类器，构建动态领域拆分模型；连接特征提取网络以及小样本分类器构成源域教师模型；连接特征提取网络以及小样本分类器构成目标域教师模型；连接特征提取网络以及小样本分类器，对特征提取网络中的特定几层插入动态领域拆分模型，构成领域可拆分的学生模型；本方法用源域数据和目标域数据都各自学习一个教师模型，然后以知识蒸馏的方法将两个教师模型中的知识逐步蒸馏到学生模型中。本发明可以在源域和目标域存在巨大领域差异的情况下，在仅有少量标注且类别未可知的目标域测试数据上达到较好的类别识别能力。
一种基于教师知识蒸馏跨域小样本识别方法

[发明专利]基于目标引导动态Mixup的跨域小样本图像识别系统-CN202211036412.1在审
发明人：陈静静;卓林海;傅宇倩;姜育刚 -专利权人：复旦大学
申请日： 2022-08-28 - 公布日： 2022-12-02 - 主分类号： G06V10/44 文献下载
摘要：本发明属于计算机技术领域，具体为基于目标引导动态Mixup的跨域小样本图像识别系统。本发明包括动态Mixup混合比例生成模块、Mixup‑3T图像分类模块以及双层meta‑learning训练模块；本发明先通过动态Mixup混合比例生成模块生成目标引导的Mixup混合比例，之后将Mixup混合比例以及待分类的图像输入Mixup‑3T图像分类模块进行分类；通过双层meta‑learning训练模块训练动态Mixup混合比例生成模块以及Mixup‑3T图像分类模块。本发明可以针对目标域以及当前模型生成最优的Mixup混合比例，并利用该混合比例提升跨域小样本图像分类的精确度。
基于目标引导动态 mixup 跨域小样本图像识别系统

[发明专利]模仿给定视频中人物动作的3D角色动作生成系统和方法-CN202011101066.1有效
发明人： 姜育刚;傅宇倩;付彦伟 -专利权人：复旦大学
申请日： 2020-10-15 - 公布日： 2022-11-18 - 主分类号： G06T13/40 文献下载
摘要：本发明属于计算机技术领域，具体为模仿给定视频中人物动作的3D角色动作生成系统和方法。本发明系统包括初始人体重建、规则数据meshcuboid构建、mesh2mesh平滑、人体姿态迁移四个模块；对于包含人体动作源视频，由初始人体重建模块恢复动作扮演者的mesh源序列；由规则数据meshcuboid构建模块将初始mesh序列构建成普通的规则数据meshcuboid；由mesh2mesh平滑模块通过3D卷积对初始的mesh序列进行进一步的平滑，使得mesh序列的动作更加连贯；最后由人体姿态迁移模块逐帧将姿态从源mesh迁移到目标mesh上，实现将源视频中包含的动作序列迁移到目标3D角色中。本发明可以生成跟源视频动作一致的mesh序列，并提升mesh序列的时序连贯性。
模仿给定视频人物动作角色生成系统方法

1
2
3
4
下一页»
尾页
共 48 条