-
公开(公告)号：CN119580333A
公开(公告)日：2025-03-07
申请号：CN202510127478.9
申请日：2025-01-27
Applicant: 中国科学院自动化研究所
Abstract: 本公开关于人脸图像鉴伪模型的训练方法、人脸图像鉴伪方法和装置，包括：提取训练样本图像中多个类型的指定特征；将多个类型的指定特征进行拼接；将指定拼接特征分别输入多个特征提取模块；利用每个特征提取模块输出的模型提取特征进行融合；将融合特征输入全连接层以预测训练样本图像的真伪；基于真实类别标签、预测结果和融合特征，计算损失；通过根据损失调整每个特征提取模块的参数。这样，通过预先从不同角度设计有针对性的指定特征，可以实现提高特征提取的全面性和丰富性。另外，还可以通过综合不同特征提取模块的优势来提高特征表示的鲁棒性和多样性，从而可以更好地应对复杂和多变的鉴伪场景。
-
公开(公告)号：CN115795355A
公开(公告)日：2023-03-14
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：CN113021017B
公开(公告)日：2022-05-03
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。
-
公开(公告)号：CN113870254B
公开(公告)日：2022-03-15
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
IPC: G06T7/00 , G06V10/25 , G06V10/774 , G06K9/62
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：CN113074658A
公开(公告)日：2021-07-06
申请号：CN202110294534.X
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，具体涉及一种航空发动机叶片修复智能检测工作站，旨在解决现有技术中航空发动机叶片检测方法效率低、成本贵、且无法满足当前叶片检测需求的问题。本申请提供的航空发动机叶片修复智能检测工作站包括六自由度机械手、夹持装置、叶片专用智能储料平台、高精度3D测量模块、专用智能检测系统。通过高精度3D测量模块、自动上下料装置、六自由度机械手、夹持装置、专用智能检测软件等软硬件的集成与配合，实现了航空发动机叶片修复高精度、高效率、智能化检测。
-
Patent Agency Ranking
公开(公告)号：CN108734106B
公开(公告)日：2021-01-05
申请号：CN201810366397.4
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及视频分类领域，提出了一种基于对比的快速暴恐视频识别方法，旨在解决在基于视觉特征的暴恐视频识别中由于特征描述子描述能力有限，所造成的暴恐视频识别的准确率(precious)和召回率(recall)相对较低问题。该方法包括：对用于进行暴恐识别的待检测视频进行镜头分割以选取待检测视频的关键帧；利用预先构建的暴恐视频识别模型，对该待检测视频的各关键帧进行哈希码运算，得到各上述关键帧的哈希码；将各上述关键帧的哈希码分别与预存暴恐视频的视频帧的哈希码比较，确定出与各上述关键帧相似的视频帧；如果与各上述关键帧相似的视频帧的数目超过设定阈值，确定该待检测视频为暴恐视频。本发明能够快速、准确的从大量的视频中识别出暴恐视频。
-
公开(公告)号：CN108470046B
公开(公告)日：2020-12-01
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: G06F16/9535 , G06F16/34
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：CN108921087A
公开(公告)日：2018-11-30
申请号：CN201810699566.6
申请日：2018-06-29
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及计算机视觉技术领域，具体涉及一种视频理解方法，旨在解决如何有效提取视频的密集帧特征和长期时空特征的技术问题。为此目的，本发明提供的视频理解方法首先利用残差网络获取目标视频的视频帧组，然后利用时序关系网络并根据多个视频帧组生成视频的时序关系特征，最后根据时序关系特征预测目标视频的视频行为类别。其中，视频帧组包括两个有序视频帧，每个有序视频帧均包括多个按照时间顺序依次排列的视频帧。基于上述步骤，能够有效获取到目标视频的密集帧特征和长期时空特征，进而可以快速且准确地预测出目标视频的视频行为类别。
-
公开(公告)号：CN119580333B
公开(公告)日：2025-05-02
申请号：CN202510127478.9
申请日：2025-01-27
Applicant: 中国科学院自动化研究所
Abstract: 本公开关于人脸图像鉴伪模型的训练方法、人脸图像鉴伪方法和装置，包括：提取训练样本图像中多个类型的指定特征；将多个类型的指定特征进行拼接；将指定拼接特征分别输入多个特征提取模块；利用每个特征提取模块输出的模型提取特征进行融合；将融合特征输入全连接层以预测训练样本图像的真伪；基于真实类别标签、预测结果和融合特征，计算损失；通过根据损失调整每个特征提取模块的参数。这样，通过预先从不同角度设计有针对性的指定特征，可以实现提高特征提取的全面性和丰富性。另外，还可以通过综合不同特征提取模块的优势来提高特征表示的鲁棒性和多样性，从而可以更好地应对复杂和多变的鉴伪场景。
-
公开(公告)号：CN119399029B
公开(公告)日：2025-04-08
申请号：CN202510013541.6
申请日：2025-01-06
Applicant: 中国科学院自动化研究所
IPC: G06T3/4053 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于解耦对比学习的隐式图像退化估计方法，属于图像盲超分辨率技术领域，所述方法采样具有相同退化信息的不同LR图像中的图块来构建正样本集合，在数据层面保障了内容、纹理等任务无关信息不会影响退化特征学习，同时，通过不断地循环配对采样图块来实现数据扩增；在训练过程中引入特征增强策略增加相同退化类型的正样本数量，从而在训练过程中进一步扩展每个退化类别的样本多样性，以保障网络更充分的学习退化信息。将利用本发明训练的隐式图像退化估计器应用于基于隐式退化特征引导的盲图像超分辨率网络，可以有效提升LR图像的退化信息建模质量，进而改善LR图像到HR图像的重建效果。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.042 seconds)
