-
公开(公告)号：CN115795355B
公开(公告)日：2023-09-12
申请号：CN202310095677.7
申请日：2023-02-10
Applicant: 中国科学院自动化研究所 , 人民中科(济南)智能技术有限公司
IPC: G06F18/24 , G06F18/214 , G06F18/22
Abstract: 本发明实施例涉及人工智能领域，公开了一种分类模型训练方法、装置及设备。本发明实施例涉及的分类模型训练方法，其特征在于，所述方法包括：获取待训练样本集进行特征提取，得到第一特征向量，计算得到原型特征向量；调用预设的损失调节器针对待训练的分类模型对应的损失函数进行参数调整，得到目标分类模型。这样，可以在模型训练过程中，基于当前学习结果及时施加相应的策略调整，提高了分类模型在小样本学习环境中训练的准确性，进而提高了训练后模型进行分类作业的正确率。
-
公开(公告)号：CN114267089A
公开(公告)日：2022-04-01
申请号：CN202210203248.2
申请日：2022-03-03
Applicant: 中国科学院自动化研究所 , 人民中科(济南)智能技术有限公司
Abstract: 本发明公开了一种伪造图像的识别方法、装置及设备，其中，所述方法包括：获取待检测图像；获取所述待检测图像的频谱掩模与所述待检测图像对应的身份空间约束，所述身份空间约束是指所述待检测图像与对应的预设参考正确图像的关联性权重分布图；根据所述频谱掩模对所述待检测图像进行分频，分别得到频谱的高频分量和低频分量；通过所述频谱的高频分量和低频分量与所述身份空间约束，分别得到高频分量的伪造概率和低频分量的伪造概率；合并所述高频分量的伪造概率和所述低频分量的伪造概率，得到最终伪造概率。通过上述方式，本发明提高了识别系统对于不同造假技术的泛化能力，增强了识别器的性能。
-
公开(公告)号：CN113870254A
公开(公告)日：2021-12-31
申请号：CN202111440333.2
申请日：2021-11-30
Applicant: 中国科学院自动化研究所 , 人民中科(济南)智能技术有限公司
Abstract: 本发明实施例公开了一种目标对象的检测方法、装置、电子设备及存储介质。该方法包括：根据待检测图像生成第一图像和第二图像，第一图像和第二图像的尺寸不同，第一图像和第二图像中的至少一个图像由待检测图像等比缩放得到，采用第一子模型检测第一图像，分别得到至少一类目标对像的第一子特征，以及采用第二子模型检测第二图像，分别得到至少一类目标对像的第二子特征，第一子模型与第二子模型是预训练的检测模型中相同的子模型，分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在待检测图像中的特征，实现了对待检测图像的整体轮廓和目标对象的同时检测，从而提高了目标对象检测方法检测的性能。
-
公开(公告)号：CN108921002B
公开(公告)日：2021-10-08
申请号：CN201810367115.2
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及计算机视频分类领域，提出了一种基于多线索融合的暴恐音视频识别方法，旨在解决音视频识别中，单一媒体模态分析音视频造成的大量误检和漏检问题。该方法包括：对用于进行暴恐识别的待检测音视频进行分割，提取音频帧序列和视频帧序列；按照预先指定的检测顺序检测所述音频帧序列和视频帧序列中是否包含暴恐信息；如果所述音频帧序列和/或视频序帧列包含暴恐信息，确定所述待检测音视频为暴恐音视频。本发明基于多个线索对音视频进行分级检测，能够快速、准确的从大量的音视频中识别出暴恐视频。
-
公开(公告)号：CN113021017A
公开(公告)日：2021-06-25
申请号：CN202110294938.9
申请日：2021-03-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能制造技术领域，具体涉及一种随形自适应智能3D检测与加工系统，旨在解决现有技术中复杂形面零部件加工装置适应性和兼容性低、加工精度差、智能化低的问题。本申请提供的随形自适应智能3D检测与加工系统可实现五轴随形检测+八轴自随形自适应加工模式、八轴随形检测+五轴随形自适应加工模式、多轴随形检测+九轴随形自适应加工三种工作模式自由切换。通过多轴联动设计、多模式工艺切换、智能化控制系统开发等技术，可实现复杂形面零部件随形自适应智能3D检测与加工。
-
Patent Agency Ranking
公开(公告)号：CN111598167A
公开(公告)日：2020-08-28
申请号：CN202010418929.1
申请日：2020-05-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于图学习的小样本图像识别方法及系统，所述图像识别方法包括：获取源域样本图像数据集；以各样本图像作为节点，建立无向带权图；基于特征生成模型提取各样本图像的基础特征向量；对各节点之间执行信息的传递和聚合，得到优化特征向量；基于优化特征向量，建立图像识别模型；根据所述优化特征向量，建立对比损失函数；采用随机梯度下降方法优化图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；根据面向小样本图像的识别模型，确定待测样本图像的所属类别。通过学习出来的识别模型在小样本场景下可以放大异类样本的类间差异，缩小同类样本的类内差异，极大提升了小样本识别的准确率。
-
公开(公告)号：CN108664902B
公开(公告)日：2020-08-25
申请号：CN201810367098.2
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及视频分类领域，提出了一种基于深度学习的端到端的视频拷贝检测方法，旨在解决在视频拷贝检测中，两段视频中存在多处拷贝片段的检测困难，及无法准确定位拷贝视频片段的位置等问题。该方法的具体实施方式包括：对用于进行视频拷贝检测的两段待检测视频进行镜头分割以选取关键帧；利用预先构建的拷贝关系识别模型对所选取出的多个关键帧进行识别，确定各关键帧之间的拷贝关系；根据所得到的各关键帧之间的拷贝关系，构建两段上述待检测视频全部关键帧的贝关系矩阵；将该拷贝关系矩阵作为预先构建的定位识别模型的输入，定位两段所述待检测视中含有拷贝关系的片段。本发明能够快捷、高效地检测出两段视频中存在的多处拷贝关系的视频片段。
-
公开(公告)号：CN108470046A
公开(公告)日：2018-08-31
申请号：CN201810184478.2
申请日：2018-03-07
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F17/30
CPC classification number: G06F16/34 , G06F16/9535
Abstract: 本发明涉及计算机技术领域，具体提供了一种基于新闻事件搜索语句的新闻事件排序方法及系统，旨在解决在考虑用户主观信息的情况下，如何实现新闻事件排序的技术问题。为此目的，本发明中的新闻事件排序方法，能够通过预设的新闻事件排序模型对预先获取的新闻事件搜索语句进行识别，得到按照相关度大小排序的新闻事件排序结果。其中，新闻事件搜索语句包含能够表征用户情感倾向的用户主观信息。基于此，本发明能够结合用户对新闻事件的情感倾向，按照新闻事件与用户偏好相关程度进行排序，从而提高新闻事件排序结果的准确性。同时，本发明中的系统能够执行并实现上述方法。
-
公开(公告)号：CN118780985A
公开(公告)日：2024-10-15
申请号：CN202411259633.4
申请日：2024-09-10
Applicant: 中国科学院自动化研究所
IPC: G06T3/4053 , G06T3/4046 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种图像重建方法、模型训练方法、装置、设备、介质及产品，可以应用于图像超分辨率重建领域。图像重建方法包括：对存在质量损失的退化图像进行特征提取，得到表征图像底层细节的底层图像特征和表征图像退化信息的隐式退化特征；利用隐式退化特征调节器分别对隐式退化特征进行通道级和空间级的扩展；将扩展后的隐式退化特征融入到底层图像特征中，分别得到融合了图像退化信息的通道图像特征和空间图像特征；将通道图像特征和空间图像特征进行特征融合并引入底层图像特征，以对退化图像的高频细节进行恢复；将进行细节恢复后得到的图像特征输入图像超分辨率模块中，输出重建的目标图像，其中，目标图像的分辨率高于退化图像。
-
公开(公告)号：CN111598167B
公开(公告)日：2023-04-07
申请号：CN202010418929.1
申请日：2020-05-18
Applicant: 中国科学院自动化研究所
IPC: G06F18/21 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于图学习的小样本图像识别方法及系统，所述图像识别方法包括：获取源域样本图像数据集；以各样本图像作为节点，建立无向带权图；基于特征生成模型提取各样本图像的基础特征向量；对各节点之间执行信息的传递和聚合，得到优化特征向量；基于优化特征向量，建立图像识别模型；根据所述优化特征向量，建立对比损失函数；采用随机梯度下降方法优化图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；根据面向小样本图像的识别模型，确定待测样本图像的所属类别。通过学习出来的识别模型在小样本场景下可以放大异类样本的类间差异，缩小同类样本的类内差异，极大提升了小样本识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.043 seconds)
