-
公开(公告)号：CN103955719A
公开(公告)日：2014-07-30
申请号：CN201410213582.1
申请日：2014-05-20
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及滤波器组训练方法，包括步骤1：将已有目标位置标注的训练图像进行预处理，得到去噪训练图像；步骤2：对去噪训练图像集进行初始聚类，分解成K个训练集合；步骤3：根据训练图像中的目标位置标注设计出理想滤波输出模型；步骤4：根据理想滤波输出模型训练得到K个总滤波器模型构成滤波器组；步骤5：判断图像样本集是否收敛，如果是，执行步骤7；否则，执行步骤6；步骤6：当前判断收敛的次数是否达到预设阈值，如果是，执行步骤7；否则，重新分类，得到K个新训练集合，K个新训练集合替代K个训练集合，返回步骤4；步骤7：存储滤波器组，完成滤波器组训练过程。对目标有更好的区分性，使定位在准确率和精度上都有一定程度的提升。
-
公开(公告)号：CN113723196B
公开(公告)日：2024-05-28
申请号：CN202110881067.0
申请日：2021-08-02
Applicant: 中国科学院信息工程研究所
IPC: G06V40/16 , G06V20/40 , G06V40/40 , G06V10/62 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/084
Abstract: 本发明公开一种基于预测学习的视频虚假人脸检测方法及装置，包括：利用训练集对预测表征学习模型进行预训练；在训练好的预测表征学习模型的尾部拼接一分类器，构成深度伪造视频鉴别器，并利用训练集训练深度伪造视频鉴别器；将待检测视频中人脸的视频采样帧序列，输入训练好的深度伪造视频鉴别器，得到检测结果。本发明通过融合经残差学习的时空特征，提升了伪造特征检测性能，解决了模型退化问题。
-
公开(公告)号：CN117935377A
公开(公告)日：2024-04-26
申请号：CN202410082888.1
申请日：2024-01-19
Applicant: 中国科学院信息工程研究所
IPC: G06V40/40 , G06V40/16 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种伪造人脸视频检测方法、装置、系统及设备，该方法包括：获取待检测视频，对所述待检测视频进行解码及采样，以得到若干个视频帧序列；在任一视频帧序列包含人脸的情况下，利用预训练神经网络提取所述视频帧序列的视频表征；在视频帧序列的视频表征与训练视频的视频表征的特征相似度不小于一设定阈值的情况下，基于预训练好的分类层对所述视频帧序列的视频表征进行分类，得到人脸检测结果；在视频帧序列的视频表征与训练视频的视频表征的特征相似度小于一设定阈值的情况下，训练一迁移层，并基于训练好的迁移层对所述视频帧序列的视频表征进行分类，得到人脸检测结果。本发明提高伪造人脸视频检测的泛化性、鲁棒性和准确性。
-
公开(公告)号：CN112861933B
公开(公告)日：2022-08-12
申请号：CN202110088772.5
申请日：2021-01-22
Applicant: 中国科学院信息工程研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种深度神经网络模型可视化解释方法及系统。该方法包括：给定待解释的输入图片，利用变分自编码器生成合成图片；通过深度神经网络模型对合成图片打标签，依据合成图片的标签是否变化将合成图片分为两类，得到合成标签，从而得到合成数据集；在合成数据集上训练可解释模型，将深度神经网络模型的知识蒸馏到可解释模型中；根据训练好的可解释模型，建立输入图片和深度神经网络模型的预测结果的对应关系，进而得到一张显著图，从而实现对深度神经网络决策结果的解释。本发明能够提高深度神经网络模型的可解释性，使模型透明化，使用户更好地理解深度神经网络的决策过程，从而促进模型的实际部署，推动人工智能领域研究的发展。
-
公开(公告)号：CN114048579A
公开(公告)日：2022-02-15
申请号：CN202111106100.9
申请日：2021-09-22
Applicant: 中国科学院信息工程研究所
IPC: G06F30/20 , G06F17/12 , G06F17/13 , G06F17/16 , G06F113/08
Abstract: 本发明公开了一种垂直上升气旋现象中非线性波危害的消减方法及装置，包括基于垂直上升气旋参数，构建AB系统模型方程，并获取AB系统模型方程的一阶呼吸子解表达式与二阶呼吸子解表达式；分析一阶呼吸子解表达式，利用一阶呼吸子解中各组分之间的群速度，生成态转换解析条件；使一阶呼吸子解与二阶呼吸子解满足态转换解析条件，分别构建非线性转换波与非线性复合体；通过对AB系统模型方程的设定初始解增加周期扰动，得到给定扰动频率和初始解中初始频率的关系；基于所述关系与态转换解析条件，对非线性转换波和/或非线性复合体进行抵消或激发，以消减非线性波危害。本发明有效地抵消或减弱部分非线性波，从而减少可能产生的破坏。
-
Patent Agency Ranking
公开(公告)号：CN112163493A
公开(公告)日：2021-01-01
申请号：CN202010995945.7
申请日：2020-09-21
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种视频虚假人脸检测方法及电子装置，包括：对待检测视频进行人脸定位，得到人脸序列；对人脸序列进行预处理，得到指定大小和长度的视频采样帧序列；将视频采样帧序列输入训练好的三维残差学习卷积神经网络，判断待检测视频中的人脸是否为虚假人脸；其中，所述三维残差学习卷积神经网络包括一或多个卷积层及相应最大池化层、若干由一或多个三维残差学习模块组成的三维残差学习层、一平均池化层及一输出层；所述三维残差学习模块包括分别连接三维残差学习模块输入的第一支路、第二支路和对两条第一支路与第二支路输出结果相加的运算层。本发明对视频特征进行残差学习，以解决网络过深时可能导致的模型退化问题，提升模型性能。
-
公开(公告)号：CN112163488A
公开(公告)日：2021-01-01
申请号：CN202010994947.4
申请日：2020-09-21
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种视频虚假人脸检测方法及电子装置，包括：对待检测视频进行人脸定位，得到人脸序列；对人脸序列进行预处理，得到指定大小和长度的视频采样帧序列；将视频采样帧序列输入训练好的三维压缩卷积神经网络，判断待检测视频中的人脸是否为虚假人脸；其中，通过在三维卷积神经网络中的每一最大池化层前，分别增加一层卷积核大小为1*1*1且通道数为n的三维卷积层，得到三维压缩卷积神经网络，n为自定义参数。本发明创新性地提出三维模型压缩模块，通过在池化层前引入1*1*1大小卷积核的卷积层，降低了模型的负责度与体积，使之更适于实际使用与部署。
-
公开(公告)号：CN109886167B
公开(公告)日：2020-11-20
申请号：CN201910102357.3
申请日：2019-02-01
Applicant: 中国科学院信息工程研究所
Inventor： 葛仕明
Abstract: 本发明涉及一种遮挡人脸识别方法及装置。该方法利用带身份标记的人脸图像训练人脸识别器；利用带身份标记的非遮挡人脸图像、对应的遮挡人脸图像、对应的人脸遮挡标记图、对应的人脸语义分割图、预先训练好的人脸解析器，结合人脸识别器，在生成对抗网络框架中训练人脸生成器、全局人脸判别器和局部人脸判别器；利用人脸生成器对输入的有遮挡的人脸图像进行修复处理，获得修复后的人脸图像；利用人脸识别器对修复后的人脸图像进行特征提取或身份分类，获得人脸特征或身份标记，利用人脸特征进行人脸识别，利用身份标记鉴别人脸的身份信息。本发明采用人脸生成器、人脸判别器和人脸识别器实现三方博弈，能够同时实现遮挡人脸的修复和识别。
-
公开(公告)号：CN106022300B
公开(公告)日：2019-07-05
申请号：CN201610388492.5
申请日：2016-06-02
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供了一种基于级联深度学习的交通标志识别方法和系统，引入级联卷积神经网络的思想，对目标标志样本空间进行扩充，添加更多具有监督性的样本，目的是为了使得交通标志的识别加入更多的先验信息，使进行识别器训练的样本空间有更高的监督性。该方法能更充分地利用标志的各种特征信息，弥补现有基于神经网络的交通标志识别的不足，从而提高标志的检测和识别率。
-
公开(公告)号：CN109241810A
公开(公告)日：2019-01-18
申请号：CN201710555575.3
申请日：2017-07-10
Applicant: 腾讯科技(深圳)有限公司 , 中国科学院信息工程研究所
Inventor： 葛仕明
Abstract: 本申请提供一种虚拟角色图像的构建方法及装置、存储介质。方法包括：对至少两帧图像分别进行人脸检测，得到至少两帧图像各自对应的人脸图像，并对人脸图像进行特征点检测，得到特征点的位置数据；针对至少两帧图像中除第一帧图像之外的每一帧图像，执行如下处理：将第一人脸图像中特征点的位置数据与第一虚拟角色图像中相应面部特征点的位置数据进行映射，得到第一人脸图像对应的特征点映射数据；确定第二虚拟角色图像中的面部特征点相对于第一虚拟角色图像中相应面部特征点的位置变化；利用形变传播方法确定第二虚拟角色图像中多个肩部采样点相对于第一虚拟角色图像中相应肩部采样点的位置变化；确定第二虚拟角色图像。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.048 seconds)
