-
公开(公告)号：CN114863470A
公开(公告)日：2022-08-05
申请号：CN202110183197.7
申请日：2021-02-08
Applicant: 中国科学技术大学
IPC: G06V40/10 , G06V40/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本公开提供了一种伪造人像检测模型的训练方法，包括：获第一人像样本集，其中，第一人像样本集包括支撑集和查询集；对于每一个任务，从支撑集中选取对应于任务的多个样本作为支撑子集，从查询集中选取对应于任务的多个样本作为查询子集；将支撑子集输入第一初始网络模型中，计算得到第一过程参数；将查询子集输入以第一过程参数为模型参数的第二初始网络模型中，计算得到第二过程参数；基于多个任务中每个任务对应的第二过程参数，调整第一初始网络模型的模型参数；以及使用第二人像样本集及样本标签训练调整模型参数后的第一初始网络模型，得到伪造人像检测模型。
-
公开(公告)号：CN113011456B
公开(公告)日：2022-07-15
申请号：CN202110171322.2
申请日：2021-02-05
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种用于图像分类的基于类别自适应模型的无监督域适应方法，包括以下步骤：通过自注意模块和交叉注意模块建立领域可转移编码器，所述领域可转移编码器对源域和目标域的输入图像之间的关系进行建模，实现域内对齐和域间对齐；建立类别自适应解码器，所述类别自适应解码器通过类原型学习和对齐来减少域差异；训练时，利用所述源域的标签信息对源域图片特征的分类预测进行约束；测试时，将直接对所述目标域的图片特征进行分类预测。本发明还提供了一种用于图像分类的基于类别自适应模型的无监督域适应装置。
-
公开(公告)号：CN112883868B
公开(公告)日：2022-07-15
申请号：CN202110186978.1
申请日：2021-02-10
Applicant: 中国科学技术大学
IPC: G06V20/40 , G06V10/77 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种基于关系建模的弱监督视频动作定位模型的训练方法，包括：构建初始动作定位模型，其中，初始动作定位模型包括：特征提取模块、视频内关系更新模块、跨视频关系更新模块、分类与定位模块；对样本视频进行特征提取输出初始视频特征；对初始视频特征进行处理得到视频内关系特征；对视频内关系特征进行处理得到背景与前景分离的跨视频特征；根据内关系特征和跨视频特征对初始动作定位模型进行训练，并通过训练后的动作定位模型对视频进行动作定位。
-
公开(公告)号：CN114612689A
公开(公告)日：2022-06-10
申请号：CN202210525752.4
申请日：2022-05-16
Applicant: 中国科学技术大学
Abstract: 本发明提供一种对抗样本生成方法、图像处理模型训练方法和图像处理方法。该对抗样本生成方法包括：对图像执行多轮迭代处理，直至满足预定迭代条件；将满足预定迭代条件的图像确定为对抗样本。对图像执行多轮迭代处理包括：对与当前轮迭代对应的图像特征数据进行处理，得到图像特征向量；基于目标函数，根据与初始图像对应的图像特征向量和与当前轮迭代对应的图像特征向量，得到扰动值，目标函数是根据离散度函数和距离函数确定的，根据与当前轮迭代对应的扰动值和与当前轮迭代对应的图像，得到与下一轮迭代对应的图像。本发明还提供了一种电子设备。
-
公开(公告)号：CN114550307A
公开(公告)日：2022-05-27
申请号：CN202210423969.4
申请日：2022-04-22
Applicant: 中国科学技术大学
IPC: G06V40/20 , G06V10/774 , G06V10/762 , G06V10/764 , G06K9/62
Abstract: 本发明提供了一种动作定位模型的训练方法，包括：操作1，对样本视频集中样本视频的样本特征数据进行聚类分析，得到第一伪标签集；操作2，利用样本视频集和第一伪标签集对初始动作定位模型进行训练，得到第一动作定位模型；操作3，根据第一动作定位模型和当前前景特征更新第一伪标签集，得到第二伪标签集；操作4，在确定第二伪标签集不满足预设条件的情况下，利用样本视频集和第二伪标签集对第一动作定位模型进行训练，得到第二动作定位模型；操作5，循环执行操作3和操作4以循环更新伪标签集，直到得到的第i伪标签集满足预设条件时，结束训练，得到最终动作定位模型。本发明还提供了一种动作定位模型的训练装置、动作定位方法。
-
Patent Agency Ranking
公开(公告)号：CN114494609A
公开(公告)日：2022-05-13
申请号：CN202210340988.0
申请日：2022-04-02
Applicant: 中国科学技术大学
Abstract: 本申请公开了一种3D目标检测模型的构建方法、装置和电子设备，该方法和装置具体为对输入的点云场景进行处理，得到点云场景的多个点云特征；对多个点云特征进行采样处理，得到点云场景的多个关键点；基于多个关键点进行模型构建，得到3D目标检测模型。本方案根据具体点云场景中特定的信息自适应地进行关键点的采样，从而实现对前景物体更完整的覆盖和更准确且鲁棒的定位和识别。
-
公开(公告)号：CN111340021A
公开(公告)日：2020-06-26
申请号：CN202010104273.6
申请日：2020-02-20
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种基于中心对齐和关系显著性的无监督域适应目标检测方法，训练阶段，对于源域与目标域的图像通过检测器产生对应的目标区域提案；对目标区域提案与类别中心进行关系建模，并更新类别中心与目标区域提案；利用更新得到的类别中心来拉近目标域和源域之间每一类的距离，使得目标域的不同类别之间借助源域信息拉开距离；训练完毕后，直接对目标域图像进行分类检测。该方法不需要单独地计算类别中心，而是把类别中心与目标区域提案放入图中一起更新，因此模型可被端到端训练；在类别中心对齐时，能在缩小源域和目标域分布差异的同时，扩大目标域的类间差异，从而有效地对目标域进行分类。
-
公开(公告)号：CN118990525A
公开(公告)日：2024-11-22
申请号：CN202411499182.1
申请日：2024-10-25
Applicant: 中国科学技术大学
IPC: B25J9/16
Abstract: 本发明提供了一种机械臂智能控制方法、装置及电子设备，应用于人工智能领域及计算机视觉领域。该方法包括：获取环境观测图像和环境深度图像；将目标语言令牌序列输入至大语言模型，得到目标物体描述文本和目标任务描述文本；将目标物体描述文本和环境观测图像输入至开放世界环境感知模型，得到目标物体的第一掩码图像；根据第一掩码图像和环境深度图像，得到目标物体的点云图像；将目标物体描述文本、目标任务描述文本和点云图像输入至大语言模型，得到机械臂的位姿估计信息；根据位姿估计信息，控制机械臂对目标物体执行与目标任务描述文本对应的相应操作。
-
公开(公告)号：CN118155022A
公开(公告)日：2024-06-07
申请号：CN202410393692.4
申请日：2024-04-02
Applicant: 中国科学技术大学
IPC: G06V10/774 , G06N3/0464 , G06V10/74 , G06V10/82 , G06V10/42 , G06T7/73 , G06V10/75
Abstract: 本公开提供了一种对象位姿估计模型的训练方法、对象位姿估计方法及其装置。该方法包括：获取位姿训练集合，位姿训练集合包括多个目标对象训练图像和与每个目标对象训练图像对应的对象先验向量；针对每个目标对象训练图像，利用第一二维卷积模型对目标对象训练图像进行卷积处理，得到对象全局特征；利用形变网络处理对象全局特征和对象先验向量，得到形变点云信息；利用卷积神经网络处理对象全局特征和形变点云信息，得到二维特征向量和三维特征向量；对二维特征向量和三维特征向量进行多层级特征匹配处理，得到三维对应性参数；根据三维对应性参数和三维关键点热力图迭代地调整初始位姿估计模型的网络参数，得到经训练的对象位姿估计模型。
-
公开(公告)号：CN118036645A
公开(公告)日：2024-05-14
申请号：CN202410177785.3
申请日：2024-02-08
Applicant: 中国科学技术大学
IPC: G06N3/006 , G06N3/044 , G06N3/0464 , G06N3/098
Abstract: 本公开涉及一种多智能体决策方法及装置、电子设备及存储介质，所述方法包括：对预设仿真博弈环境中的所有智能体进行编号，将每个编号后智能体作为目标智能体，获取目标智能体编号以及目标智能体当前时刻的局部观测值；根据所述局部观测值，对每个编号在目标智能体编号之前的智能体当前时刻的动作进行预测；根据所述局部观测值以及每个编号在目标智能体编号之前的智能体当前时刻的预测动作，确定目标智能体当前时刻采取的动作，能够隐式地在分布式执行时引入序列动作依赖，在不破坏分布式执行下，每个智能体只需要预测序号在其之前的智能体的动作，并依赖预测的动作进行决策，既保留分布式执行的优点，又可以引入序列化的动作依赖，保证最优动作的选取。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.029 seconds)
