公开(公告)号：CN114359547B

公开(公告)日：2024-12-03

申请号：CN202111666239.9

申请日：2021-12-31

Applicant: 中国兵器科学研究院

Inventor： 刘冰 ,  百晓 ,  陈科 ,  薛姬荣 ,  李军 ,  周雷 ,  王晨 ,  张亮 ,  江金寿 ,  田建辉 ,  王晓悦 ,  叶金华 ,  安辰

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0895

Abstract: 本申请实施例提供了一种图像识别模型训练方法、装置、设备及介质，由于本申请中，原始图像识别模型输出了每个样本图像对中参考图像样本对应的第一预估图像及第二预估图像，并分别根据第一预估图像中对应像素点的像素值确定了第一子损失值，根据第二预估图像中对应像素点的像素值，确定第二损失值，进行了像素级对比学习，还输出了每个样本图像对中参考图像样本对应的第一特征向量及每个样本图像对中目标图像样本对应的第二特征向量，并分别根据第一特征向量以及第二特征向量，确定第三子损失值，进行了图像级对比学习，由于进行了像素级对比和图像级对比学习，提高了图像识别模型的精度，及图像识别模型提取出的图像中物体特征的显著性或区分性。

公开(公告)号：CN114372523B

公开(公告)日：2025-04-15

申请号：CN202111675564.1

申请日：2021-12-31

Applicant: 北京航空航天大学 ,  中国兵器科学研究院 ,  北京航空航天大学江西研究院

Inventor： 百晓 ,  王晨 ,  张亮 ,  刘冰 ,  李军 ,  李俊杰 ,  陈科 ,  王晓悦 ,  安辰 ,  程姗

IPC: G06V10/75 ,  G06N3/0464 ,  G06N3/0985 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开一种基于证据深度学习的双目匹配不确定性估计方法，通过卷积神经网络提取和聚合特征，进而获得一个匹配代价体和三个不确定性体，在匹配代价的指导下，计算出证据分布的四个超参数γ，ν，α和β；最后通过四个超参数计算双目匹配视差值，偶然不确定性和认知不确定性。本发明很好地反映出双目匹配的难易程度，提升不确定性估计的表现，而且面对分布外的数据时能给出较高的认知不确定性。

公开(公告)号：CN114372523A

公开(公告)日：2022-04-19

申请号：CN202111675564.1

申请日：2021-12-31

Applicant: 北京航空航天大学 ,  中国兵器科学研究院 ,  北京航空航天大学江西研究院

Inventor： 百晓 ,  王晨 ,  张亮 ,  刘冰 ,  李军 ,  李俊杰 ,  陈科 ,  王晓悦 ,  安辰 ,  程姗

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/75 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开一种基于证据深度学习的双目匹配不确定性估计方法，通过卷积神经网络提取和聚合特征，进而获得一个匹配代价体和三个不确定性体，在匹配代价的指导下，计算出证据分布的四个超参数γ，ν，α和β；最后通过四个超参数计算双目匹配视差值，偶然不确定性和认知不确定性。本发明很好地反映出双目匹配的难易程度，提升不确定性估计的表现，而且面对分布外的数据时能给出较高的认知不确定性。

公开(公告)号：CN114359547A

公开(公告)日：2022-04-15

申请号：CN202111666239.9

申请日：2021-12-31

Applicant: 中国兵器科学研究院

Inventor： 刘冰 ,  百晓 ,  陈科 ,  薛姬荣 ,  李军 ,  周雷 ,  王晨 ,  张亮 ,  江金寿 ,  田建辉 ,  王晓悦 ,  叶金华 ,  安辰

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82 ,  G06N3/04

Abstract: 本申请实施例提供了一种图像识别模型训练方法、装置、设备及介质，由于本申请中，原始图像识别模型输出了每个样本图像对中参考图像样本对应的第一预估图像及第二预估图像，并分别根据第一预估图像中对应像素点的像素值确定了第一子损失值，根据第二预估图像中对应像素点的像素值，确定第二损失值，进行了像素级对比学习，还输出了每个样本图像对中参考图像样本对应的第一特征向量及每个样本图像对中目标图像样本对应的第二特征向量，并分别根据第一特征向量以及第二特征向量，确定第三子损失值，进行了图像级对比学习，由于进行了像素级对比和图像级对比学习，提高了图像识别模型的精度，及图像识别模型提取出的图像中物体特征的显著性或区分性。

公开(公告)号：CN114332614A

公开(公告)日：2022-04-12

申请号：CN202111622073.0

申请日：2021-12-28

Applicant: 中国兵器科学研究院

Inventor： 刘冰 ,  百晓 ,  李军 ,  李俊杰 ,  陈科 ,  薛姬荣 ,  江金寿 ,  田建辉 ,  王晓悦 ,  安辰 ,  周雷 ,  王晨 ,  张亮

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06F16/36 ,  G06N3/04 ,  G06N3/08

Abstract: 本申请实施例提供了一种物体分类方法、装置、设备及介质，电子设备根据第一模型确定待分类图像中每个检测框对应的特征向量和分类向量，构建每个特征向量对应的节点，并确定节点图，根据节点图中每个节点对应的目标预设类别，以及保存的知识图谱数据库中每个知识图谱中包含的分类，确定了节点图中每两个节点连接的边为该两个节点对应的目标预设类别在同一知识图谱中出现的目标次数，第二模型根据每个节点图和待分类图像，确定每个物体的目标类别，可以很大程度的减少常识性错误，提高了物体分类的准确度。