公开(公告)号：CN118982719A

公开(公告)日：2024-11-19

申请号：CN202411121102.9

申请日：2024-08-15

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  李斯骢 ,  杨智勇 ,  王子泰 ,  姜阳邦彦 ,  丛润民 ,  黄庆明

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明提供了一种用于训练图像分类模型的方法，包括：获取当前批次的样本，该批次的样本构成的集合具有长尾分布的性质；将当前批次的样本图像输入模型，利用模型参数确定输入图像的第一分类预测值，根据第一分类预测值、标签和总损失函数确定第一梯度，总损失函数为原始损失函数减去加权系数乘以锐度优化损失函数；根据当前批次中属于每个类别的样本图像对应的第一分类预测值和标签，确定模型参数对应的扰动；将模型参数与扰动相加，得到扰动参数；将当前批次的样本图像输入模型，利用模型的扰动参数确定输入图像的第二分类预测值，根据第二分类预测值、标签和锐度优化损失函数，确定第二梯度；根据第一梯度和第二梯度，更新所述模型参数。

公开(公告)号：CN118736191A

公开(公告)日：2024-10-01

申请号：CN202410738342.7

申请日：2024-06-07

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  李斐然 ,  包世龙 ,  杨智勇 ,  丛润民 ,  操晓春 ,  黄庆明

IPC: G06V10/25 ,  G06V10/26 ,  G06V20/58

Abstract: 本发明提出一种尺寸无关的多物体显著性检测方法，其特征在于，包括：对训练样本中物体做最小外接框，得到多个物体框，将训练样本中除物体框以外的部分作为背景框；通过语义分割模型，对背景框和每个物体框内的显著区域进行独立评价，得到在每个物体框和背景框的显著区域独立检测结果；对各显著区域独立检测结果进行合并，得到显著区域合并检测结果；根据显著区域标签，在每个物体框和背景框内独立地计算损失，得到背景框和每个物体框的独立损失函数；合并所有独立损失函数，得到合并损失函数，以训练语义分割模型；将待显著物体检测的多物体图像通过数据处理步骤处理后，输入训练完成后的语义分割模型，得到其显著区域检测结果。