-
公开(公告)号：CN116432177A
公开(公告)日：2023-07-14
申请号：CN202310323943.7
申请日：2023-03-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06F21/56 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/74
Abstract: 本发明公开了一种基于对抗性微调的分类神经网络后门清除方法及系统，所述方法具体是一种渐进式的基于对抗性微调的分类神经网络后门清除方法，其利用对抗扰动会带有后门触发器这一特征的特点，构建了基于对抗性微调的方法，维护一个随机初始化的、可更新的干净数据集使用对抗性微调进行防御，并不断从有毒的训练集中筛选出新的干净数据加入到干净数据集中，不断地提高防御效果，直到达到预先要求。综上，本发明在额外的干净数据集缺失的情况下，使用有毒训练集取得了较好的防御效果。
-
公开(公告)号：CN116343265A
公开(公告)日：2023-06-27
申请号：CN202310327791.8
申请日：2023-03-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06V40/10 , G06V20/40 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种全监督视频行人重识别方法、系统、设备及介质，所述全监督视频行人重识别方法包括以下步骤：获取包含目标人的视频片段以及待行人重识别的视频片段；基于获取的所述包含目标人的视频片段以及待行人重识别的视频片段，利用预先训练好的行人重识别模型进行行人重识别处理，输出行人重识别结果。本发明公开的全监督视频行人重识别方法，具体是一种基于时序相关性分解的视频行人重识别方法，其通过目标人与遮挡人不同的相对状态来去除非目标人的特征，可消除在遮挡情况下遮挡人对模型特征学习的影响；另外，通过相关滤波算法将错位的视频帧重新对齐来恢复视频片段的语义一致性，可提高检索准确率。
-
公开(公告)号：CN116342643A
公开(公告)日：2023-06-27
申请号：CN202310324608.9
申请日：2023-03-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06T7/207 , G06N3/0442 , G06N3/0455 , G06N3/088 , G06V10/82 , G06V10/74
Abstract: 本发明公开了一种多模态行人轨迹预测方法、系统、设备及介质，所述多模态行人轨迹预测方法包括以下步骤：获取待预测的观测行人轨迹；基于获取的所述观测行人轨迹，利用预先训练好的多模态行人轨迹预测模型进行未来轨迹预测，获得多模态行人轨迹预测结果。本发明公开的技术方案中，针对现有多模态行人轨迹预测忽略中间意图的缺陷，具体提出了基于多意图的多模态行人轨迹预测方法，可提高行人轨迹预测结果的准确性和可靠性。
-
公开(公告)号：CN113568410B
公开(公告)日：2023-05-12
申请号：CN202110866999.8
申请日：2021-07-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G05D1/02
Abstract: 本发明公开了一种异构智能体轨迹预测方法、系统、设备及介质，所述方法包括以下步骤：基于异构智能体的轨迹点和类别，对异构智能体的类别和时空轨迹分别进行图表征，获得类别交互图和空间交互图；基于所述类别交互图学习异构注意力，得到类别级的异构注意力；基于所述空间交互图和所述类别级的异构注意力，得到异构智能体级的异构注意力；基于所述异构智能体级的异构注意力，对交互信息建模以及对轨迹的时间趋势建模，获得异构智能体轨迹预测结果。本发明可以有效建模多种类型的异构智能体的交互和轨迹趋势，能够显著提升轨迹预测的准确率。
-
公开(公告)号：CN113553975B
公开(公告)日：2023-04-07
申请号：CN202110866987.5
申请日：2021-07-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明公开了一种基于样本对关系蒸馏的行人重识别方法、系统、设备及介质，所述方法具体包括以下步骤：将给定的查询图像和行人图像集合输入预训练好的卷积神经网络中，获得所述给定的查询图像的特征向量以及给定的行人图像集合的特征向量集合；根据所述查询图像的特征向量与所述行人图像集合的特征向量集合中的各个特征之间的欧式距离，获取所述给定的行人图像集合关于所述查询图像的排序列表；基于所述排序列表获得行人重识别结果。本发明提出的基于样本对关系的无监督行人重识别的方法，取代了通用的聚类算法，能够规避确定聚类数的困境。
-
Patent Agency Ranking
公开(公告)号：CN115880525A
公开(公告)日：2023-03-31
申请号：CN202211477474.6
申请日：2022-11-23
Applicant: 西安交通大学
IPC: G06V10/764 , A61B3/14 , A61B3/12 , G06V10/80 , G16H50/20
Abstract: 本发明属于智能医学影像处理领域，公开了一种基于异构数据的糖尿病肾病的辅助检测方法，本发明首先获取使用者双目的眼底图像和尿白蛋白/肌酐比值，再根据眼底图像和尿白蛋白/肌酐比值提取眼底图像的图像信息和取UACR信息，将图像信息和UACR信息在深度方向进行向量拼接，获得融合特征，最后将融合特征处理后进行分类，得到最终结果。相比于只用生化指标UACR诊断，采用本发明提出的异构数据诊断DKD，真阳性率更有着大幅提高。更高的真阳性率意味着本发明能够检测出更多阳性样本，更有利于DKD的筛查。本发明能够为医疗机构提供DKD的初步筛查或辅助诊断，从而提高医生的阅片速度，应对影像学诊断人才资源紧缺等问题。
-
公开(公告)号：CN115294565A
公开(公告)日：2022-11-04
申请号：CN202210951778.5
申请日：2022-08-09
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06V20/64 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06V20/58 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于关键点的3D目标检测及其参数化半径学习方法及系统，方法具体为：原始对于点云下采样得到关键点，并对原始点云进行体素化处理，后输入3D稀疏卷积网络中，得到体素特征；采用构造点特征提取方法，将体素特征聚合到关键点上，得到关键点特征；通过目标感知特征池化，学习关键点到目标中心的偏移量，在目标感知邻域内进行特征聚合，得到候选点及对应特征；以候选点为中心进行候选框回归，提取特征并对候选框进行二次回归和得分预测，得到3D目标检测结果；将点云特征聚合采样半径作为可学习参数，通过反向传播更新采样半径，得到最优采样半径参数；解决目标中心回归难度高、不准确，以及需要手工调节特征聚合采样半径问题。
-
公开(公告)号：CN115293962A
公开(公告)日：2022-11-04
申请号：CN202210969635.7
申请日：2022-08-12
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明公开了一种从单样本中学习笔触风格的图像风格迁移方法及系统，包括以下步骤：将单张风格图像样本通过块置换算子生成风格图像训练集；完成生成器网络的训练；将待迁移的图像输入到训练后的基于编码器‑解码器结构的生成器网络中，实现图像的笔触风格迁移，该方法及系统能够在仅拥有单张风格图像样本的情况下实现实时高质量图像风格迁移效果。
-
公开(公告)号：CN115062261A
公开(公告)日：2022-09-16
申请号：CN202210724876.5
申请日：2022-06-24
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明公开一种基于反向搜索的曲率连续自主泊车路径规划方法及系统，方法包括如下步骤：初始化泊车的栅格地图、起点和终点；将原始的起点和终点进行节点置换；基于新的起点和终点进行CC‑HA*节点扩展，最新扩展的节点满足终点截止条件时，经过回溯得到初始路径序列；根据初始路径序列进行路径反转，得到反向路径序列；对目标点松连接处理，路径终点与目标车位重合，设置搜索截止条件，将路径规划分为反向搜索阶段和松连接阶段，得到最终泊车路径，将Hybrid A*与反向搜索相结合，保证路径的一阶曲率连续，充分考虑障碍物在行驶车道和泊车位周围的不平衡分布，通过从目标泊车位向车辆当前位置进行反向搜索，可以减少搜索过程中的无用扩展节点，提高效率。
-
公开(公告)号：CN114954498A
公开(公告)日：2022-08-30
申请号：CN202210602932.8
申请日：2022-05-30
Applicant: 西安交通大学
Abstract: 本发明提出了一种基于模仿学习初始化的强化学习换道行为规划方法及系统，通过将周围车辆的变形位姿和模糊速度通过渐变色映射到栅格图上，并将具有清晰信息的交通规则和道路状况使用向量表示，将两者连接输入模仿学习DAgger网络，使自动驾驶车辆学会遵守交通规则和基本的换道决策；再利用强化学习优化模仿学习换道机制，使其适应模仿学习数据集中没有的极端和未知交通场景；可以从车辆相互作用的驱动机制和环境中学习潜在的换道驾驶机制，简化人工驾驶建模，对变道场景的动态变化具有良好的适应性，对变道任务采用动态混合奖励机制；引入一种基于模仿学习的强化学习初始化方法，解决稀疏奖励下强化学习学习效率低的问题，只需要少量的场景数据。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.023 seconds)
