-
公开(公告)号：CN108304797B
公开(公告)日：2020-07-28
申请号：CN201810085316.3
申请日：2018-01-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及计算机视觉技术领域，具体提供了一种基于侧向抑制的视觉注意检测方法及装置，旨在解决如何提高计算机视觉注意机制的有效性和实用性。为此目的，本发明中的视觉注意检测方法包括下述步骤：获取目标图像的图像类别；获取每个激活函数神经元接收到的反馈信息；根据反馈信息判断是否关闭对应的激活函神经元；根据判断结果关闭相应的激活函数神经元后，对激活函数神经元的响应值进行归一化处理，得到选择性注意结果图；对选择性注意结果图进行归一化处理，得到显著性目标检测结果图。本发明的技术方案基于卷积神经网络，并能够利用卷积神经网络的前馈与反馈信息实现对目标物体的信息检测。同时，本发明中的装置能够执行并实现上述步骤。
-
公开(公告)号：CN105005774B
公开(公告)日：2019-02-19
申请号：CN201510451033.2
申请日：2015-07-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种基于卷积神经网络的人脸亲属关系识别方法及装置，主要用于根据人脸图像进行亲属关系识别等领域。所述方法包括人脸识别、人脸关键点位置切分、人脸区域位置切分、卷积神经网络建立及训练、亲属关系识等。所述方法提出的卷积神经网络具有强大的提取亲属关系特征的功能，对于输入图片具有较强的鲁棒能力。该方法提出的基于人脸关键点以及人脸不同区域特征的卷积神经网络方法，实现了更好的亲属识别功能。该方法可以获得优于传统基于人脸的亲属关系识别效果。
-
公开(公告)号：CN107864074A
公开(公告)日：2018-03-30
申请号：CN201711416354.4
申请日：2017-12-22
Applicant: 中国科学院自动化研究所
IPC: H04L12/26 , G06F3/0484 , G06F3/0486
CPC classification number: H04L43/045 , G06F3/0484 , G06F3/0486 , G06F2203/04806
Abstract: 一种分布式可视化系统，包括：一总控制器，用于将用户的操作转换成相应的指令，并将所述指令中与各显示终端相关的第一指令分别输出至与该显示终端相连的子服务器；多个子服务器，一端与所述总服务器相连，以及另一端与多个显示终端一一连接，各子服务器用于根据所述第一指令确定第二指令；以及多个显示终端，用于根据各第二指令执行相应的操作，以及显示所述操作的操作结果。本发明尤其适合大数据的可视化，能够将一个可视化任务拆分成多个子任务，避免了更新部分数据时需要刷新整个大屏的弊端，此外，也能同时执行多个独立的可视化任务，使得可视化的数据相互独立，也提高了数据展示的灵活度和加载速度。
-
公开(公告)号：CN104156952B
公开(公告)日：2017-11-14
申请号：CN201410373199.2
申请日：2014-07-31
Applicant: 中国科学院自动化研究所
IPC: G06T7/33
Abstract: 本发明公开了一种抵抗形变的图像匹配方法，该方法包括以下步骤：步骤1：对两幅输入图像分别进行二值化处理，从中确定参考图像与待匹配图像，对于参考图像与待匹配图像，利用不同的采样间距进行采样，得到相应的多个采样点；步骤2：从待匹配图像的采样点中依次确定每个参考图像采样点的K1个候选对应点；步骤3：从参考图像中每个采样点的K1个候选对应点中确定K2个更为精细的候选对应点，其中，K2
-
公开(公告)号：CN106910013A
公开(公告)日：2017-06-30
申请号：CN201710085225.5
申请日：2017-02-16
Applicant: 中国科学院自动化研究所
CPC classification number: G06Q10/063 , G06Q50/01 , H04L63/12 , H04L63/302 , H04L63/306
Abstract: 本发明公开一种基于动态表达学习的不实信息检测方法，包括以下步骤：获取待检测信息；利用预先建立的检测模型对所述待检测信息进行检测；输出检测结果；其中，检测模型如下建立：步骤S1，首先建模联合表示用户信息和该用户行为信息的某一事件的动态行为表达式；用户信息包含用户的特征和用户可信度，行为信息包含行为类型；步骤S2，一个事件由不同信息组成，结合步骤S1中的所述动态行为表达式，最终得出事件可信度检测表达式；步骤S3，运用时间特征矩阵来取得在信息传播过程中用户动态行为特征连步骤S4，生成用户特征表达；步骤S5，利用配对学习法估算检测模型参数。
-
Patent Agency Ranking
公开(公告)号：CN103246895B
公开(公告)日：2016-03-09
申请号：CN201310178645.X
申请日：2013-05-15
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 本公开提供了一种基于深度信息的图像分类方法，包括：使用已知深度信息的第一训练图像集训练马尔可夫随机场MRF；使用所述MRF从未知深度信息的第二训练图像集提取深度信息；从所述第二训练图像集提取局部特征；基于所提取的深度信息和所提取的局部特征来训练支持向量机分类器；以及使用经训练的支持向量机分类器来对待分类图像集中的图像进行分类，其中所述第二训练图像集和所述待分类图像集属于同一场景集。现有的图像分类方法只考虑图像空间，也即二维空间的信息，本公开考虑了深度信息，将原来在二维空间中难以区分的特征在深度维度上予以分开，从而提高了图像分类的准确性。
-
公开(公告)号：CN103345656B
公开(公告)日：2016-01-20
申请号：CN201310316221.5
申请日：2013-07-17
Applicant: 中国科学院自动化研究所
IPC: G06N3/02
Abstract: 本发明公开了一种基于多任务深度神经网络的数据识别方法及其装置。该方法包括：步骤1、建立多任务深度神经网络；步骤2、将所述多任务深度神经网络相邻两层看作限制的波尔兹曼机，采用无监督地自底向上的逐层训练方法来预训练该多任务深度神经网络，获得相邻层之间的初始连接权重；步骤3、利用反向传播算法有监督地最小化关于所述网络权重的目标函数，以获得优化后的网络权重；步骤4、将待识别数据输入具有优化后网络权重的所述多任务深度神经网络，得到输出层节点值，并根据输出层节点值得出所述待识别数据所属的类别。本方法利用神经网络来挖掘不同标签之间的关联性，在标签数量较多的大规模图像标注中仍然可以保证较高的图像标注准确率。
-
公开(公告)号：CN104363981A
公开(公告)日：2015-02-18
申请号：CN201480000558.8
申请日：2014-07-14
Applicant: 中国科学院自动化研究所
IPC: A99Z99/00
CPC classification number: G06K9/80
Abstract: 本发明涉及一种人脸验证方法和系统，方法包括：利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；建立判别式高阶玻尔兹曼机，设置隐含层的节点数；利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；向判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。本发明通过在无监督玻尔兹曼机模型中引入数据关系类别信息，使模型判别力增强，更适于具有精度要求的人脸验证。
-
公开(公告)号：CN102693316B
公开(公告)日：2014-03-26
申请号：CN201210171539.4
申请日：2012-05-29
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于线性泛化回归模型的跨媒体检索方法。该方法首先提取不同模态对象的语义特征，再利用线性泛化回归模型建立各个模态特征之间的回归关系，实现不同模态特征的相互转换，接着利用多类Logistic回归算法估计转换后模态对象的后验概率分布，最后利用距离度量的方法来计算测试样本和数据库样本之间的距离，从而输出检索得到的最相似的前N个数据库中的样本。本发明在跨越不同模态的语义鸿沟时，可以最大限度地防止不同模态媒体在转换时有效信息的泄露，从而保证不同模态信息传递的有效性，进一步提高跨媒体搜索的鲁棒性和准确性，具有良好的运用前景和可观的市场价值。
-
公开(公告)号：CN103345656A
公开(公告)日：2013-10-09
申请号：CN201310316221.5
申请日：2013-07-17
Applicant: 中国科学院自动化研究所
IPC: G06N3/02
Abstract: 本发明公开了一种基于多任务深度神经网络的数据识别方法及其装置。该方法包括：步骤1、建立多任务深度神经网络；步骤2、将所述多任务深度神经网络相邻两层看作限制的波尔兹曼机，采用无监督地自底向上的逐层训练方法来预训练该多任务深度神经网络，获得相邻层之间的初始连接权重；步骤3、利用反向传播算法有监督地最小化关于所述网络权重的目标函数，以获得优化后的网络权重；步骤4、将待识别数据输入具有优化后网络权重的所述多任务深度神经网络，得到输出层节点值，并根据输出层节点值得出所述待识别数据所属的类别。本方法利用神经网络来挖掘不同标签之间的关联性，在标签数量较多的大规模图像标注中仍然可以保证较高的图像标注准确率。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.213 seconds)
