[发明专利]基于部件解析多尺度卷积神经网络的SAR目标识别方法有效

专利信息
申请号: 202110613816.1 申请日: 2021-06-02
公开(公告)号: CN113240047B 公开(公告)日: 2022-12-02
发明(设计)人: 杜兰;李毅;李晨;周宇 申请(专利权)人: 西安电子科技大学
主分类号: G06V10/774 分类号: G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
代理公司: 陕西电子工业专利中心 61205 代理人: 田文英;王品华
地址: 710071*** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明公开了一种基于部件解析多尺度卷积神经网络的合成孔径雷达SAR目标识别方法,主要解决现有技术对SAR目标内在信息挖掘不充分且难以建立合适的模版库导致SAR目标识别准确率低的问题,实现步骤为:(1)生成训练集;(2)构建部件解析多尺度卷积神经网络;(3)训练部件解析多尺度卷积神经网络;(4)对待分类的合成孔径雷达SAR复图像进行分类。本发明同时利用了SAR目标的幅值信息和电磁散射信息,并通过网络对SAR图像进行分类,使得本发明对SAR目标内在信息挖掘更加充分且不需要构建模版库,有效地提高了SAR目标识别的准确率。
搜索关键词: 基于 部件 解析 尺度 卷积 神经网络 sar 目标 识别 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西安电子科技大学,未经西安电子科技大学许可,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/202110613816.1/,转载请声明来源钻瓜专利网。

同类专利
  • 基于语义感知和自适应对比学习的零样本目标检测方法-202310832458.2
  • 周水庚;刘欢;张路;赵佳佳 - 复旦大学
  • 2023-07-07 - 2023-10-27 - G06V10/774
  • 本发明属于机器学习技术领域,具体为基于语义感知和自适应对比学习的零样本目标检测方法。本发明采用基于transformer网络的DETR作为目标检测模型框架,并引入基于注意力的语义感知模块,来缓解映射式零样本目标检测模型对已见类别的偏见;还采用基于度量学习的自适应对比损失,使模型学习到更好的特征表示,同时保持类别间的语义结构关系,进一步提升检测性能。实验结果表明,与现有方法相比,本发明在零样本目标检测任务上具有更好的性能和泛化能力,具有广泛的应用前景。
  • 一种样本图像划分方法、装置、电子设备及存储介质-202310970086.X
  • 张康龙;秦国立 - 杭州海康机器人股份有限公司
  • 2023-08-03 - 2023-10-27 - G06V10/774
  • 本申请实施例提供了一种样本图像划分方法、装置、电子设备及存储介质,涉及图像处理技术领域,方法包括:基于预设的划分特征对样本图像进行划分得到多个第一图像组;对于任一划分特征,同一个第一图像组包含的样本图像针对该划分特征的划分属性信息一致;任意两个第一图像组包含的样本图像针对至少一个划分特征的划分属性信息不一致;按照指定比例确定每一第一图像组中用于进行训练的图像、用于进行验证的图像,以及用于进行测试的图像;分别合并各第一图像组中用于进行训练的图像、用于进行验证的图像、以及用于进行测试的图像,得到训练图像集、验证图像集、以及测试图像集。能够保证得到的模型的性能较优并提高对模型的性能进行测试的准确性。
  • 3D目标检测域自适应的伪标签改进的目标物体检测方法-202310977544.2
  • 张占伟;赖申其;彭亮;钱炜;杨政;何晓飞 - 杭州飞步科技有限公司
  • 2023-08-04 - 2023-10-27 - G06V10/774
  • 本发明公开了一种3D目标检测域自适应的伪标签改进的目标物体检测方法。将源域的数据输入到由3D检测器和ROI检测头构成的第一神经网络中进行训练,获得训练后的第一神经网络;然后将目标域的数据输入到由训练后的第一神经网络优化获得的第二神经网络中进行再次训练,获得训练后的第二神经网络;最后从训练后的第二神经网络提取组建检测网络,对实时待测的数据实进行识别检测处理。本发明能够提升伪标签的质量以提升模型的泛化性能,能够确保目标域数据的多样性以及防止模型陷入局部最优,提升了伪标签的定位性能和分类性能。
  • 一种基于DETR和元学习的零样本目标检测方法-202310832459.7
  • 周水庚;张路;关昊;赵佳佳 - 复旦大学
  • 2023-07-07 - 2023-10-27 - G06V10/774
  • 本发明属于机器学习技术领域,具体为一种基于DETR和元学习的零样本目标检测方法。本发明方法是基于transformer架构的DETR检测器进行构建,将零样本学习机制引入到DETR深度目标检测框架,将类别语义向量直接融入到DETR的查询向量中,并通过解码器直接预测出结果,在训练的过程中,通过逐类别的最优匹配和损失计算来完成训练。本发明方法框架简单、使用方便、可扩展性强、可解释性强,在主流视觉属性数据集的零样本目标检测的结果表明,本方法性能明显优于现有的方法。本发明为目标检测技术在工业应用领域,提供算法的支持,也能很容易地扩展到其他零样本学习任务上。
  • 基于自适应损失函数的弱小目标检测模型优化方法与装置-202310956240.8
  • 孙世磊;郭子琪;何楚;王昱程 - 武汉大学
  • 2023-07-31 - 2023-10-27 - G06V10/774
  • 本发明公开了一种基于自适应损失函数的弱小目标检测模型优化方法与装置,涉及计算机视觉图像目标检测技术领域,该方法包括以下步骤:获取弱小目标图像,通过特征提取,得到弱小目标图像的特征图;将所述特征图,通过检测头网络,获得中心度预测结果、分类预测结果和回归预测结果;计算中心度预测结果的损失、分类预测结果的损失,通过角点损失维度与交并比损失维度计算回归预测结果的损失;将所述中心度预测结果的损失、分类预测结果的损失和回归预测结果的损失相加得到整体损失,并根据所述整体损失对检测模型优化。本发明提供的方法可以在后处理及样本标签分配中使用,能够有效提升基础目标检测网络的检测精度。
  • 对象分类模型的训练、对象分类方法、装置及存储介质-202310351373.2
  • 张博深 - 腾讯科技(深圳)有限公司
  • 2023-03-28 - 2023-10-27 - G06V10/774
  • 本申请公开了一种对象分类模型的训练、对象分类方法、装置及存储介质,可以应用于云技术、人工智能、智慧交通、车联网等各种场景,所述方法包括:获取样本对象的样本图像;将样本图像输入教师模型,基于教师模型的标签图提取网络确定样本图像的样本标签图;对样本图像进行裁剪处理,得到样本裁剪图像;基于样本裁剪图像在样本图像中的第一坐标信息,对样本标签图进行裁剪处理,得到样本子标签图;将样本裁剪图像输入学生模型进行类别标签预测处理,得到样本标签预测结果;基于样本标签预测结果与样本类别标签的第一差异以及样本标签预测结果与裁剪子标签的第二差异,对学生模型进行训练,得到对象分类模型。本申请提高了对象分类模型的准确率。
  • 多媒体识别网络生成、多媒体搜索方法及装置-202310319927.0
  • 李争;郑茂 - 腾讯科技(深圳)有限公司
  • 2023-03-22 - 2023-10-27 - G06V10/774
  • 本申请公开了一种多媒体识别网络生成、多媒体搜索方法及装置,涉及人工智能技术领域,该方法包括:对多个多媒体样本包含的样本图像的人脸特征信息和基于对预设样本图像集中样本图像对应的人脸特征信息进行聚类处理得到的多种人脸类型对应的聚类特征信息进行关联分析,得到预设人脸类型标签;基于多个多媒体样本对应的多个预设类别标签、待训练多媒体识别网络识别出的多个预测类别标签、预设人脸类型标签和待训练人脸识别网络识别出的预测人脸类型标签,对待训练人脸识别网络和待训练多媒体识别网络进行联合训练,得到训练好的多媒体识别网络。利用本申请提供的技术方案可以多媒体识别准确率。
  • 一种基于注意力机制的碳纤维丝道实时动态编号方法-202310752546.1
  • 古玲;武继杰 - 南京矩视科技有限公司
  • 2023-06-25 - 2023-10-27 - G06V10/774
  • 一种基于注意力机制的碳纤维丝道实时动态编号方法,涉及图像处理的技术领域。利用工业相机得到采样数据;对采样数据进行预处理,包括训练丝道预测网络、用于实际场景下的碳纤维丝道号标注;输出处理结果,得到碳纤维丝道的标注编号。本发明采用视觉Transformer网络对线阵工业相机采集的碳丝图像进行处理,对图像数据从上往下依次进行碳纤维丝的实时动态编号。在不具备明显区分特征的条件下,对并丝或断丝等数据进行较好的处理。
  • 数据处理方法及装置、电子设备、存储介质-202310884967.X
  • 聂聪冲;刘俊;汪铖杰 - 重庆腾讯信息技术有限公司
  • 2023-07-18 - 2023-10-27 - G06V10/774
  • 本申请的实施例公开了一种数据处理方法及装置、电子设备、存储介质,该方法包括:根据图片数据集中的图片以及图片的对象类型信息,获取图片数据集中包含的多种类型的对象,根据对象类型信息从图片数据集中查找每种类型对象所对应的图片,根据每种类型对象所对应图片的数量计算每种类型对象的采样概率,采样概率与所对应图片的数量负相关;根据每张图片包含的对象的采样概率,计算每张图片的采样概率,根据每张图片的采样概率,从图片数据集中提取多张图片,对提取到的多张图片进行融合得到用于训练对象检测模型的训练图片。本申请实施例的技术方案使得训练图片中不同类型对象所对应的图片数量均衡化,提升了对象检测模型的检测精度。
  • 一种数据处理方法、设备以及可读存储介质-202210320509.9
  • 尹邦杰;贾率;姚太平;徐江河;李博;吴双;丁守鸿;马超 - 腾讯科技(深圳)有限公司
  • 2022-03-29 - 2023-10-27 - G06V10/774
  • 本申请公开了一种数据处理方法、设备以及可读存储介质,方法包括:获取第一对抗样本图像,以及第一对抗样本图像对应的样本类别标签;根据第一对抗样本图像与样本类别标签,确定针对第一类型域的第一域梯度;第一类型域为空域或频域;根据第一域梯度与第一对抗样本图像,生成中间对抗样本图像;根据中间对抗样本图像与样本类别标签,确定针对第二类型域的第二域梯度;第二类型域与第一类型域不同,且第一类型域与第二类型域之间存在转换关系;根据第二域梯度与中间对抗样本图像,生成第二对抗样本图像,基于第二对抗样本图像对目标图像模型进行评估。采用本申请,可以提高对抗样本的攻击性与有效性,进而提高模型检测的效率与准确性。
  • 图像质量检测模型的训练、图像质量检测方法和相关装置-202211717865.0
  • 张博深 - 腾讯科技(深圳)有限公司
  • 2022-12-29 - 2023-10-27 - G06V10/774
  • 本申请实施例公开了图像质量检测模型的训练、图像质量检测方法和相关装置,应用于人工智能场景,训练方法是将第一训练图像输入预设编码器特征提取得到第一隐变量,第一训练图像具有表示其为缺陷图像的预设标签数据;特征扰动第一隐变量得到特征扰动向量;将特征扰动向量输入预设解码器重建得到第一重建图像;通过第一隐变量、第一重建图像和预设标签数据,训练预设编码器和预设全连接层得到目标编码器和目标全连接层;将目标编码器和目标全连接层作为图像质量检测模型。可见,模型得到更充分的训练,能够在使用少量的具有标签数据的训练图像的情况下,保证模型的泛化性能,提升模型的图像质量检测效果。
  • 基于掩膜图像的模型训练方法、装置及存储介质-202310233464.6
  • 李昱希;张博深;涂远鹏 - 腾讯科技(深圳)有限公司
  • 2023-02-28 - 2023-10-27 - G06V10/774
  • 本申请公开了一种基于掩膜图像的模型训练方法、装置及存储介质,其中,该方法包括:使用初始图像掩膜的掩膜区域对训练图像的第一图像区域进行遮挡处理,得到第一掩膜图像;使用第一掩膜图像对第一识别模型进行模型训练,以更新第一识别模型的模型参数,得到第二识别模型;基于第二识别模型与第一掩膜图像对应的损失调整图像掩膜参数的参数值,得到目标图像掩膜,并使用目标图像掩膜的掩膜区域对训练图像的第二图像区域进行遮挡处理,得到第二掩膜图像,第二识别模型与第一掩膜图像对应的损失低于第二识别模型与第二掩膜图像对应的损失;使用第二掩膜图像对第二识别模型进行模型训练,以更新第二识别模型的模型参数,得到第三识别模型。
  • 视觉特征提取模型的训练方法、应用方法、装置及设备-202310681444.5
  • 郭太安;何肃南;谯睿智 - 腾讯科技(深圳)有限公司
  • 2023-06-08 - 2023-10-27 - G06V10/774
  • 本申请实施例公开了一种视觉特征提取模型的训练方法、应用方法、装置及设备,用于提高模型训练效果。该方法包括:将图像训练样本分别输入视觉特征提取模型以及动量模型中,通过视觉特征提取模型输出第一视觉提取特征,以及通过动量模型输出第二视觉提取特征;基于可见标签集中的标签的特征和第一视觉提取特征,确定图像训练样本的标签预测结果;基于对可见标签集的标签标注结果和标签预测结果,得到排序损失值;基于第二视觉提取特征以及标签的特征间的第一相似度,从可见标签集中确定预测伪标签集;基于预测伪标签集和标签预测结果,得到动量蒸馏排序损失值;基于排序损失值以及动量蒸馏排序损失值,更新视觉特征提取模型的模型参数。
  • 目标检测模型的训练方法、装置、设备及存储介质-202211428409.4
  • 陈珮娴;盛柯恺;张梦丹;李珂;沈春华 - 腾讯科技(深圳)有限公司
  • 2022-11-15 - 2023-10-27 - G06V10/774
  • 本申请提供了一种目标检测模型的训练方法,涉及云技术领域、车联网领域、智慧交通领域以及人工智能技术领域;方法包括:获取文本‑图像对;调用目标检测模型,对图像进行目标检测,得到图像中的多个对象;获取图像的图像特征,以及描述文本中各关键词的词特征,并将图像特征与各词特征分别进行融合,得到各关键词对应的融合特征;基于各关键词对应的融合特征,对多个对象进行筛选,得到目标对象;基于描述文本中各关键词及目标对象,构建各关键词对应的关键词‑目标对象组;基于关键词‑目标对象组,对图像进行样本标注,得到图像对应的图像样本,并基于图像样本,对目标检测模型进行训练。通过本申请,能够有效提高目标检测模型的检测准确度。
  • 特征提取模型的训练方法和装置、存储介质及电子设备-202310379703.9
  • 陈雅静 - 腾讯科技(深圳)有限公司
  • 2023-03-31 - 2023-10-27 - G06V10/774
  • 本公开提供了一种特征提取模型的训练方法和装置、存储介质及电子设备。其中,该方法包括:基于特征提取模型从样本音频片段提取的多个样本音频特征以及从样本动作片段提取的多个样本动作特征;在获取的样本对象特征为样本音频特征的情况下,获取样本音频特征关联的正样本动作特征,并确定与样本音频特征相匹配的第一训练损失;在获取的样本对象特征为样本动作特征的情况下,获取样本动作特征关联的正样本音频特征,并确定与样本动作特征相匹配的第二训练损失;利用第一训练损失和第二训练损失,确定特征关联损失;在特征关联损失达到目标收敛条件的情况下,确定目标特征提取模型。本公开解决了训练样本获取过程较为复杂的技术问题。
  • 图像识别模型的训练方法和装置、存储介质及电子设备-202310391579.8
  • 沈云航;林明宝;傅朝友;吴桐;李珂;任博;纪荣嵘 - 腾讯科技(深圳)有限公司
  • 2023-04-03 - 2023-10-27 - G06V10/774
  • 本公开提供了一种图像识别模型的训练方法和装置、存储介质及电子设备。其中,该方法包括:获取样本图像集合,样本图像集合中包括第一样本图像和第二样本图像,第一样本图像为携带强标签的样本图像,第二样本图像包括携带弱标签的样本图像和无标签样本图像,强标签用于指示第一样本图像中包括的图像对象的全部对象属性信息,弱标签用于指示样本图像中包括的图像对象的部分对象属性信息;将样本图像集合中包括的样本图像输入包括第一特征识别网络和第二特征识别网络的老师识别模型,并获取老师识别模型输出的辅助识别结果;利用样本图像集合和辅助识别结果对学生识别模型进行训练。本公开解决了相关训练方法得到对精确的标注数据依赖度高的技术问题。
  • 基于注意力和金字塔卷积神经网络的细粒度图像分类方法-202310714368.3
  • 王斯锋;李胜祥;李光顺;董兆安;闫超 - 曲阜师范大学
  • 2023-06-16 - 2023-10-27 - G06V10/774
  • 本发明公开了一种基于注意力和金字塔卷积神经网络的细粒度图像分类方法,其能够在多个尺度上处理输入的图像,并捕捉场景中不同层次的细节。此外,还使用了通道交互损失函数(MC‑LOSS)来捕获细粒度特征。为了减少来自图像背景的噪声干扰,使用注意力模块聚焦于具有细粒度特征的目标区域。最后通过在三个公开的数据集CUB‑200‑2011、Stanford Cars、FGVC‑Aircraft上评估了该模型,将其与SOTA方法相比,结果表明,本发明所提的Attention‑PCNN模型具有更好的性能。
  • 目标检测模型的训练方法、目标检测方法、装置及设备-202210346207.9
  • 梁思源;龚迪洪;操晓春;李志锋;刘威 - 腾讯科技(深圳)有限公司
  • 2022-03-31 - 2023-10-27 - G06V10/774
  • 本申请实施例提供了一种目标检测模型的训练方法、目标检测方法、装置及设备,涉及人工智能技术领域。本申请实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。所述方法包括:通过目标搜索网络根据查询图像的初始特征图和正参考图像的初始特征图,生成查询图像和正参考图像的增强特征图;通过区域生成网络根据查询图像的初始特征图,生成查询图像的候选区域;通过区域池化网络分别根据负参考图像和正参考图像的增强特征图,以及查询图像的增强特征图、候选区域、初始特征图,生成第一、第二、第三和第四输出特征图,并基于此生成分类结果以及对目标检测模型进行训练。本申请实施例能够提升目标检测模型检测目标的灵活性。
  • 模型训练及图像处理方法、装置、电子设备和存储介质-202210854245.5
  • 汤成;程宝平;谢小燕 - 中移(杭州)信息技术有限公司;中国移动通信集团有限公司
  • 2022-07-14 - 2023-10-27 - G06V10/774
  • 本申请公开了一种模型训练方法、图像处理方法、装置、电子设备和存储介质。其中,所述模型训练方法包括:获取至少一个第一样本图像;利用所述至少一个第一样本图像和孪生网络,对第一模型进行训练,所述第一模型包含第一层和第二层,所述第一层用于提取图像的特征,所述第二层用于整合提取的图像特征,所述第一模型用于对待分类图像进行特征提取,以利用提取的特征对所述待分类图像进行分类。本申请提供的方案,模型训练过程中,通过投影层对特征提取层提取的目标特征进行整合,能够减少无关因素对目标特征的影响,使得所提取的目标特征更准确,这样,在利用训练后的模型对图像进行目标特征提取,以进行图像分类时,提高了分类的准确率。
  • 对抗样本生成方法、系统、存储介质及电子设备-202310914130.5
  • 江天;罗咏刚;马金燕 - 重庆长安汽车股份有限公司
  • 2023-07-24 - 2023-10-27 - G06V10/774
  • 本发明公开了对抗样本生成方法、系统、存储介质及电子设备,涉及汽车智能化应用技术领域,其方法包括以下步骤:S1、获得与训练样本对应的第一颜色统计特征,基于训练样本xi的随机噪声生成第一对抗样本;S2、获得第二颜色统计特征;S3、将第一颜色统计特征及第二颜色统计特征进行归一化处理,分别获得第一颜色分布特征及第二颜色分布特征,并计算二者在颜色各通道之间的相似损失值;S4、通过相似损失值计算获得总体损失值,通过总体损失值与原始损失值计算得到更新损失值;S5、通过更新损失值反向传播更新第一对抗样本,通过本发明生成的对抗样本无论在数字世界和还是在物理世界均可与训练数据具有更高的相似性。
  • 一种基于跨模态边缘引导的RGB-D显著性目标检测方法-202310708088.1
  • 夏晨星;杨凤;高修菊;王晓婷;葛斌;梁兴柱;崔建华;段松松 - 安徽理工大学
  • 2023-06-14 - 2023-10-27 - G06V10/774
  • 本发明属于计算机视觉领域,提供了一种基于跨模态边缘引导的RGB‑D显著性目标检测方法,包括以下步骤:1)获取训练和测试该任务的RGB‑D数据集;2)分别建立用于提取RGB图像特征和Depth图像特征的显著性目标检测模型网络;3)建立用于跨模态注意力融合的网络结构;4)建立用于边缘感知的网络结构;5)构建用于边缘指导融合解码器,从高到低解码多尺度融合特征并和边缘特征拼接融合,获取显著图。本发明可有效整合来自不同模态图像的互补信息,提升复杂场景下显著性目标预测的准确度。
  • 图片识别模型的训练方法和装置、存储介质及电子设备-202310731811.8
  • 朱城;鄢科 - 腾讯科技(深圳)有限公司
  • 2023-06-16 - 2023-10-27 - G06V10/774
  • 本申请公开了一种图片识别模型的训练方法和装置、存储介质及电子设备,其中,上述方法包括:获取N个样本图片的图片描述文本和与N个样本图片各自对应的N个图片标签,其中,N个样本图片是第一样本图片集合中包括的样本图片;根据N个样本图片的图片描述文本和N个图片标签,生成N组图片提示语,图片提示语用于生成样本图片;根据N组图片提示语和N个样本图片,生成第二样本图片集合,第二样本图片集合包括N个样本图片子集,每个样本图片子集是根据N组图片提示语中的一组图片提示语的文本表征向量和N个样本图片中对应样本图片的图片表征向量生成的样本图片子集;使用第一样本图片集合和第二样本图片集合对待训练的图片识别模型进行训练。
  • 一种基于定位预训练的弱监督小样本目标检测系统和方法-202310832460.X
  • 周水庚;张晨博;张莹露;张路;关昊;赵佳佳 - 复旦大学
  • 2023-07-07 - 2023-10-27 - G06V10/774
  • 本发明属于机器学习技术领域,具体为一种基于定位预训练与渐进式优化策略的弱监督小样本目标检测方法与系统。本发明将弱监督学习机制引入到小样本深度目标检测框架,建立了一套准确率高的弱监督小样本目标检测系统。本发明方法框架简单、使用方便、可扩展性强、可解释性强,并在两个主流视觉属性数据集的弱监督小样本目标检测的结果上,都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域,提供基础框架和算法的支持,也能很容易地扩展到其他小样本学习任务上。
  • 多任务因果学习的图像检测方法、装置、设备及介质-202310947023.2
  • 廖清;李超洋;陈斌;王强;王轩 - 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
  • 2023-07-28 - 2023-10-27 - G06V10/774
  • 本发明涉及图像检测技术领域,公开了多任务因果学习的图像检测方法、装置、设备及介质,方法包括:根据多个样本特征对同一任务的重要性分数,从多个样本特征中筛选出干预特征;根据合并反事实特征,以及第二任务的反事实特征,确定第一任务对第二任务的因果亲和力;分别根据每个任务的反事实特征和样本特征的预测损失值生成第一正则约束项;根据第一任务的样本特征的预测损失值、第二任务的样本特征的预测损失值以及第一任务对第二任务的因果亲和力,生成第二正则约束项;根据判别损失函数、第一正则约束项和第二正则约束项,生成预测损失函数;根据预测损失函数对任务模型进行训练得到优化后的多任务模型。本发明能够提高图像检测的性能。
  • 一种分类模型的训练方法、装置及相关产品-202310600980.8
  • 孙镜涵;魏东;郑昊;卢东焕;王连生;郑冶枫 - 腾讯科技(深圳)有限公司
  • 2023-05-24 - 2023-10-27 - G06V10/774
  • 本申请公开一种分类模型的训练方法、装置及相关产品,方法包括:构建第一图像数据集和第二图像数据集;第一图像数据集包括无类别标注的大量对象图像,第二图像数据集包括已标注有罕见类别标签的少量对象图像;基于第一图像数据集进行无监督表征学习,训练得到第一特征提取器;利用第二图像数据集对基于第一特征提取器构建的教师模型进行训练;通过教师模型对第一图像数据集中对象图像进行分类,得到罕见类别伪标签;基于第一图像数据集进行无监督表征学习,并同时利用第一图像数据集和罕见类别伪标签对学生模型进行训练,将训练结束的学生模型作为分类模型。本申请提供的方法通过少量的有标签的对象图像即可训练得到高性能的分类模型。
  • 数据处理方法及装置、设备、介质-202310419398.1
  • 胡慧;张铭杰;付星辉;孙钟前 - 腾讯科技(深圳)有限公司
  • 2023-04-11 - 2023-10-27 - G06V10/774
  • 本申请的实施例公开了一种数据处理方法及装置、设备、介质,可以应用于智慧交通、辅助驾驶、云技术、人工智能等各种场景。该数据处理方法包括:对多个表情基进行组合,得到多个目标表情基组合;基于每个目标表情基组合中的表情基所属的脸部部位类型,将每个目标表情基组合中的表情基渲染在位于虚拟场景中的虚拟对象对应的脸部部位区域上,以得到具有多种不同表情的虚拟对象;从不同拍摄角度拍摄具有多种不同表情的虚拟对象,得到每种表情下的虚拟对象对应的至少一个图像帧;基于多种不同表情下的虚拟对象分别对应的至少一个图像帧生成图像数据集。本申请的技术方案实现了图像数据集的快速生成,提升了图像数据集生成的合理性。
  • 一种长尾数据场景下的目标检测方法及装置-202310832461.4
  • 周水庚;张莹露;张晨博;张路;关昊;赵佳佳 - 复旦大学
  • 2023-07-07 - 2023-10-27 - G06V10/774
  • 本发明属于深度学习中的目标检测技术领域,具体为一种长尾数据场景下的目标检测方法及装置。本发明目标检测方法包括:构建长尾目标检测数据集;在模型训练过程中维护特征缓存模块,为进行目标级别的精确上采样提供数据源基础;利用检测器分类头权重向量的二范数与类别下样本量的正相关关系,设计分布感知的动态上采样策略;利用类别间的相似语义关系,构建多类协同数据增强模块;设计双向调节损失函数,从正负两个方向调节梯度影响;对模型进行整体优化训练,并进行有效性验证。本发明能弥补现有的长尾数据场景下的目标检测方法在处理尾部类别时的不足和技术限制,有效地提高目标检测准确率,尤其是对极具挑战性的尾部类别目标的检测精度。
  • 一种视频质量评测方法、装置、电子设备及可读存储介质-202310922364.4
  • 马晓;潘兴浩;谢于贵;王宇佳;许海滨 - 咪咕视讯科技有限公司;咪咕文化科技有限公司;中国移动通信集团有限公司
  • 2023-07-25 - 2023-10-27 - G06V10/774
  • 本申请公开了一种视频质量评测方法、装置、电子设备及可读存储介质,涉及视频评价技术领域,以解决对视频的质量测评结果准确度较差的问题。该方法包括:获取第一训练数据集,所述第一训练数据集中包括多个视频;确定所述第一训练数据集中每一个视频对应的客观指标,其中,所述客观指标基于场景特征确定,所述场景特征为待训练评价模型对应的场景的特征;基于所述第一训练数据集中的视频对应的客观指标,确定分布参数;在所述分布参数满足预设条件的情况下,基于所述第一训练数据集对所述待训练评价模型进行迭代训练;利用迭代训练后的待训练评价模型对待测评视频的质量进行测评。本申请实施例可提高对视频的质量进行测评的准确度。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top