-
公开(公告)号：CN115393697A
公开(公告)日：2022-11-25
申请号：CN202210895693.X
申请日：2022-07-28
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院计算技术研究所
IPC: G06V20/00 , G06V10/26 , G06V10/30 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于多元特征融合分割的图片伪造检测方法和系统，通过提取图像中伪造区域的光照梯度、噪声分布、压缩一致性特征后，对其进行加权融合成一个新的综合特征，送入到专用的分割神经网络判断图像是否是伪造的，并标记出伪造区域，同时将多元融合特征与网络分割结果结合，给出伪造检测的解释性展示，在提高传统方法的准确率和普适性的同时，弥补了深度学习方法可解释性较低的不足。
-
公开(公告)号：CN110287314B
公开(公告)日：2021-08-06
申请号：CN201910418900.0
申请日：2019-05-20
Applicant: 中国科学院计算技术研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F16/35
Abstract: 本发明涉及一种基于无监督聚类的长文本可信度评估方法，包括：以已知长文本获取训练数据，提取该训练数据的训练特征以构建训练特征向量集，对该训练特征向量集进行无监督聚类，得到多个训练类心；以待评估长文本获取评估数据，提取该评估数据的评估特征向量；获取该评估特征向量相对该训练类心的评估值，并以该评估值得到该待评估长文本的可信度。本发明通过无监督聚类对长文本进行可信度评估，在实施过程中不需要标注数据，节省了人力、物力与时间，避免了数据中标签稀疏带来的困扰；提取了长文本的文本特征，对于可信度评估任务更加适用，使用该模型得到的文本的可信度更具有可解释性，同时在平台之间可以迁移。
-
公开(公告)号：CN110287314A
公开(公告)日：2019-09-27
申请号：CN201910418900.0
申请日：2019-05-20
Applicant: 中国科学院计算技术研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F16/35
Abstract: 本发明涉及一种基于无监督聚类的长文本可信度评估方法，包括：以已知长文本获取训练数据，提取该训练数据的训练特征以构建训练特征向量集，对该训练特征向量集进行无监督聚类，得到多个训练类心；以待评估长文本获取评估数据，提取该评估数据的评估特征向量；获取该评估特征向量相对该训练类心的评估值，并以该评估值得到该待评估长文本的可信度。本发明通过无监督聚类对长文本进行可信度评估，在实施过程中不需要标注数据，节省了人力、物力与时间，避免了数据中标签稀疏带来的困扰；提取了长文本的文本特征，对于可信度评估任务更加适用，使用该模型得到的文本的可信度更具有可解释性，同时在平台之间可以迁移。
-
公开(公告)号：CN119274227A
公开(公告)日：2025-01-07
申请号：CN202310816354.2
申请日：2023-07-05
Applicant: 中国科学院计算技术研究所
IPC: G06V40/20 , G06V40/10 , G06V10/25 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种行人检测模型，用于检测图像中的行人，所述模型包括：特征提取模块，用于对图像进行特征提取得到原始特征图；区域生成模块，用于采用锚框对所述原始特征图进行候选目标框选以获取带锚框的特征图；空间注意力模块，用于对所述带锚框的特征图中被锚框框选部分进行掩码处理以获取掩码特征图；校准模块，用于基于所述带锚框的特征图对所述掩码特征图进行像素校准，并用于对像素校准后的特征图进行池化处理，以及基于池化处理后的特征图对所述原始特征图进行候选校准得到校准特征图；行人识别模块，用于对所述校准特征图进行分类以识别行人所在位置。本发明所提出的模型能够有效地学习被遮挡的行人特征来提高对被遮挡行人的检测准确率。
-
公开(公告)号：CN113627498B
公开(公告)日：2024-03-12
申请号：CN202110854800.X
申请日：2021-07-28
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种人物丑化图像识别模型训练方法，包括以下步骤：将真实图像样本输入到丑化分类器中进行训练以使该其具有图像分类和图像特征提取的功能；冻结该丑化分类器的网络参数并将其作为图像特征提取器，将噪声和该真实图像样本输入到分类有益生成对抗网络进行训练以使其具有生成合成图像样本的功能；将该分类有益生成对抗网络生成的合成图像样本输入到该丑化分类器中进行进一步训练，得到该丑化分类器即为该人物丑化图像识别模型。
-
Patent Agency Ranking
公开(公告)号：CN113537027B
公开(公告)日：2023-09-01
申请号：CN202110776853.4
申请日：2021-07-09
Applicant: 中国科学院计算技术研究所
IPC: G06V40/16 , G06V10/40 , G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本发明提出一种基于面部划分的人脸深度伪造检测方法和系统，包括：对训练数据，提取全局人脸特征；根据获取全局人脸特征过程中产生的浅层卷积特征，将该浅层卷积特征根据预设的面部划分方式，划分为多个图像区域，分别将该图像区域输入至局部人脸特征提取模型，得到该人脸图像的多个局部特征；通过注意力模型提取该多个局部特征间的关系特征，并将该关系特征与该全局特征拼接后输入至二分类模型，得到该训练数据的检测结果，根据该结果和该标签构建损失函数，以训练该全局人脸特征提取模型、局部人脸特征提取模型、注意力模型和该二分类模型。
-
公开(公告)号：CN110647382B
公开(公告)日：2022-02-18
申请号：CN201910885221.4
申请日：2019-09-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种车联网服务动态迁移方法，充分考虑移动速度对迁移决策的影响，建立移动速度与服务迁移的好处和成本的关系模型，设计动态的迁移机制，根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比，本发明根据车辆移动速度进行动态迁移策略设计，有效增加运营商收益且能够更好的保障业务的QoS；充分考虑车辆的移动速度和业务的迁移时间，保障业务被迁移到当迁移完成时距离用户最近的MEC服务器，与现有技术相比，有效增加迁移收益。
-
公开(公告)号：CN113962887A
公开(公告)日：2022-01-21
申请号：CN202111220300.7
申请日：2021-10-20
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种二维冷冻电镜图像去噪模型的训练方法，所述方法包括：S1、获取原始图像数据集，从原始图像数据集中提取每个图像对应的纯噪声区域以获得纯噪声样本并组成纯噪声数据集；S2、采用步骤S1获得的纯噪声数据集训练生成式模型获得噪声生成模型，并采用训练的噪声生成模型生成多个新的纯噪声样本以扩充纯噪声数据集获得新的纯噪声数据集；S3、将新的纯噪声数据集中的纯噪声样本迁移到模拟生成的无噪声图像中以获得无噪声‑带噪声样本组成的无噪声‑带噪声数据集；S4、采用步骤S3获得的无噪声‑带噪声数据集训练卷积神经网络至收敛。
-
公开(公告)号：CN110472493B
公开(公告)日：2022-01-21
申请号：CN201910604601.6
申请日：2019-07-05
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明提出一种基于一致性特征(ConsensusFeatures)的场景分割方法和系统，包括对特征提取器学习到的特征进行实例一致性变换和类别一致性变换，将变换后的特征输入到场景分割子网络，得到原始图像的场景分割结果。本发明提出了一种通过实例一致性变换单元去学习实例层次的一致性特征。另一方面，由于在场景图像中存在着多个同类实例，本发明使用类别一致性单元去学习类层次的一致性特征。这两个单元极大地提高了现有基于全卷积的场景分割模型的性能。
-
公开(公告)号：CN113627498A
公开(公告)日：2021-11-09
申请号：CN202110854800.X
申请日：2021-07-28
Applicant: 中国科学院计算技术研究所
Abstract: 本发明公开了一种人物丑化图像识别模型训练方法，包括以下步骤：将真实图像样本输入到丑化分类器中进行训练以使该其具有图像分类和图像特征提取的功能；冻结该丑化分类器的网络参数并将其作为图像特征提取器，将噪声和该真实图像样本输入到分类有益生成对抗网络进行训练以使其具有生成合成图像样本的功能；将该分类有益生成对抗网络生成的合成图像样本输入到该丑化分类器中进行进一步训练，得到该丑化分类器即为该人物丑化图像识别模型。
-
-
-
-
-
-
-
-
-
Search Results
217
records
(took 0.074 seconds)
