-
公开(公告)号：CN113537110B
公开(公告)日：2024-04-26
申请号：CN202110841550.6
申请日：2021-07-26
Applicant: 北京计算机技术及应用研究所
IPC: G06V20/40 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种融合帧内帧间差异的虚假视频检测方法，属于模式识别、人工智能领域。本发明采用基于高频特征流和RGB特征流的帧内特征提取模块提取帧内特征，然后将连续视频帧每帧的特征送入GRU提取帧间特征，在整个特征提取过程中融合了帧内、帧间差异，即考虑了语义一致性，又考虑了时序一致性，有助于提升虚假视频检测效果。本发明提出的融合帧内帧间差异的虚假视频检测方法有助于提升虚假视频检测算法的多样性。本发明面向常见的虚假视频检测任务，主要是用于视频中虚假人脸的检测，也可用于其他通用物体的虚假视频检测。
-
公开(公告)号：CN112365555A
公开(公告)日：2021-02-12
申请号：CN202011157907.0
申请日：2020-10-26
Applicant: 北京计算机技术及应用研究所
IPC: G06T11/00
Abstract: 本发明涉及一种基于组稀疏正则化的全变分高能闪光照相密度反演方法包括：步骤1.对于待重建客体的每一分层图像，获取相应的投影数据和系数矩阵；步骤2.根据步骤1中的投影数据和系数矩阵，使用全变分算法对初始图像为0的数据正向投影到图像域，获得相应二维图像切片；步骤3.对全变分算法重建的相应二维图像切片的左半部分图像和右半部分图像进行加权平均，得到加权平均后的图像；步骤4.对加权平均后的图像使用组稀疏正则化模型进行正则化处理，得到正则化处理后的结果；步骤5.把正则化处理后的结果利用左右对称性恢复出原始大小的图像，并作为下一次全变分算法迭代的初始图像，返回步骤2，直到满足停止准则为止。
-
公开(公告)号：CN112132765A
公开(公告)日：2020-12-25
申请号：CN202011039939.0
申请日：2020-09-28
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种并行视频图像动态范围增强装置及方法，属于视频图像增强技术领域。本发明提出了一种并行的图像动态范围增强装置及方法，该装置主要用于实现低成本，高速并行查表，同时可根据图像处理算法对硬件进行重构；该方法首先按照常规的直方图均衡化算法统计图像灰度直方图可生成映射曲线；然后通过并行查表方式完成灰度变换，实现动态范围增强，从而实现了灰度映射函数的实时计算以及并行的灰度映射操作。
-
公开(公告)号：CN113378373A
公开(公告)日：2021-09-10
申请号：CN202110634612.6
申请日：2021-06-08
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种图像CS中基于二进制序列族的确定性双极矩阵设计方法，属于图像处理领域。本发明根据采样信号大小的维度，设定参数，选择相应的迹生成函数；选取有限域上的一个本原域元素，应用选择的迹生成函数，可得到相应的二进制序列族，对其进行元素替代转换可得到对应的双极性序列族，将此双极性序列族的所有序列作为列向量进行排列可得到子矩阵1；选取有限域上的另一个本原域元素，重复上述过程，得到对应的双极性序列族和子矩阵2；把子矩阵1和子矩阵2以列扩展形式进行连接得到确定性双极矩阵。本发明具有高感知性能，低存储、低计算复杂度和易于硬件实现的工程实践化特征，可用于实际的压缩感知应用场景。
-
公开(公告)号：CN112543092B
公开(公告)日：2024-06-28
申请号：CN202011157911.7
申请日：2020-10-26
Applicant: 北京计算机技术及应用研究所
IPC: H04L9/00 , H04N19/176 , H04N19/85
Abstract: 本发明涉及一种基于图像压缩感知加密的混沌二进制序列族矩阵构造方法，其中，包括：(1)根据图像分块大小的信息维度，判断相关参数的奇偶性，选择相应的迹表示函数；(2)对步骤(1)中选择的迹表示函数，产生组成相应二进制序列族的二进制伪随机序列集合，进行数值转换得到相应的双极性序列族，从得到的双极性序列族中选出一部分序列作为列向量进行排列，得到相应的初始测量矩阵；(3)引入混沌序列对步骤(2)得到的初始测量矩阵的列向量做相应置换得到所需要的混沌二进制序列族矩阵。本发明可用于构造具有硬件友好、感知性能高和加密性质良好的压缩感知测量矩阵，实现对灰白图像和彩色图像等图像信号的压缩加密采集。
-
Patent Agency Ranking
公开(公告)号：CN115018066B
公开(公告)日：2024-04-09
申请号：CN202210564592.4
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种边端模式下的深度神经网络本地化训练方法，属于机器学习领域。本发明边缘侧处理机向终端设备发送待部署深度神经网络模型；终端设备执行智能信息处理任务，将采集的数据、模型预测结果与置信度发送至边缘侧处理机进行存储；边缘侧处理机存储的终端推理数据超过指定存储容量阈值时，对深度神经网络模型进行本地化训练；边缘侧处理机测试深度神经网络模型并将结果写入日志；测试结果高于日志记录历史最高值时，边缘侧处理机向终端设备发送本地化训练后的模型进行部署，并将伪标注训练集合并到真实标注训练集中。该方法有效改善了数据分布偏差问题，降低了人工标注成本，且有效改善了灾难性遗忘问题。
-
公开(公告)号：CN115018066A
公开(公告)日：2022-09-06
申请号：CN202210564592.4
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种边端模式下的深度神经网络本地化训练方法，属于机器学习领域。本发明边缘侧处理机向终端设备发送待部署深度神经网络模型；终端设备执行智能信息处理任务，将采集的数据、模型预测结果与置信度发送至边缘侧处理机进行存储；边缘侧处理机存储的终端推理数据超过指定存储容量阈值时，对深度神经网络模型进行本地化训练；边缘侧处理机测试深度神经网络模型并将结果写入日志；测试结果高于日志记录历史最高值时，边缘侧处理机向终端设备发送本地化训练后的模型进行部署，并将伪标注训练集合并到真实标注训练集中。该方法有效改善了数据分布偏差问题，降低了人工标注成本，且有效改善了灾难性遗忘问题。
-
公开(公告)号：CN112132050A
公开(公告)日：2020-12-25
申请号：CN202011015320.6
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种联机手写汉字识别算法及可视化关键笔画评估方法，属于模式识别技术领域。本发明提出一种局部自注意力机制，能够通过神经网络自身产生对应各个时刻隐含层状态的注意力权重，通过这种注意力机制能够有效地提升联机手写汉字的识别精度。本发明提出了一种可视化的联机手写汉字识别中关键笔画评估方法，通过自注意力机制生成的权重，将输入字符样本轨迹坐标中对识别起关键作用的笔画(轨迹点或者轨迹段)显示出来，能够更直观的评估联机手写汉字字符样本中的关键笔画，分析神经网络学习字符样本时的方式。
-
公开(公告)号：CN112132050B
公开(公告)日：2024-03-29
申请号：CN202011015320.6
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所
IPC: G06V30/32 , G06V30/19 , G06V10/82 , G06N3/0442
Abstract: 本发明涉及一种联机手写汉字识别算法及可视化关键笔画评估方法，属于模式识别技术领域。本发明提出一种局部自注意力机制，能够通过神经网络自身产生对应各个时刻隐含层状态的注意力权重，通过这种注意力机制能够有效地提升联机手写汉字的识别精度。本发明提出了一种可视化的联机手写汉字识别中关键笔画评估方法，通过自注意力机制生成的权重，将输入字符样本轨迹坐标中对识别起关键作用的笔画(轨迹点或者轨迹段)显示出来，能够更直观的评估联机手写汉字字符样本中的关键笔画，分析神经网络学习字符样本时的方式。
-
公开(公告)号：CN113537472A
公开(公告)日：2021-10-22
申请号：CN202110841564.8
申请日：2021-07-26
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种低计算和存储消耗的双向递归神经网络，属于人工智能技术领域。本发明的正向时序特征识别阶段正向地接收输入的时间序列，并在每个时刻计算相应时刻的输出，生成输出序列；逆向时序特征识别阶段，这个阶段以第一个阶段为基础，逆向地接收输入的时间序列以及第一个阶段的输出序列，并在每个时刻计算相应的结果；最终根据第二个阶段输出的结果进行时间序列的分类。本发明所述双层双向递归神经网络的相比于普通的双向双层递归神经网络存储开销较小，可应用于多种时间序列处理的任务，对相关算法设计起指导作用，有助于相关算法在端侧低功耗限制的硬件上的实现。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.036 seconds)
