专利交易市场

本发明公开了基于离散余弦变换的视频目标分割对抗攻击方法。本发明方法在预训练的视频目标分割模型卷积层获得视频语义特征，由离散余弦变换将语义特征变为频域语义特征；通过视频目标运动感知模块获得运动向量，由语义权重量化模块获得语义权重；最后根据语义权重对频域语义特征的频域值筛选去除，由反离散余弦变换还原获得对抗性语义特征，通过去除语义特征实现对视频目标分割模型的攻击，即获得性能差的分割掩膜。本发明方法将视频的时序关系融入对抗攻击中，使其聚焦于视频中的运动目标，破坏时序关系；通过语义权重并对视频帧语义特征进行筛选去除，在视频语义特征上生成对抗样本来实现对抗攻击，降低了视频目标分割精度并提升了攻击效果。

本发明公开了一种基于贝叶斯记忆的层次级联视频目标分割方法。本发明方法首先对视频数据做帧采样并用残差卷积网络提取特征；然后分别构建层次级联网络、基于贝叶斯模型的目标记忆模块、掩膜恢复网络，并分别得到对应的层次级联特征、预测粗糙掩膜、预测精细掩膜；接着利用交叉熵损失函数对模型进行迭代优化，获得最终的目标分割网络，并将新视频序列及首帧掩膜输入该网络得到目标分割结果。本发明方法不仅利用不同层次的特征信息有效识别不同尺寸物体，还能够捕捉视频中前景目标在时序上的变化并充分考虑前景目标在运动过程中的短期相关和长期依赖关系，并通过贝叶斯模型指导精细掩膜的生成，提升了视频目标分割的准确度。

本发明公开了处理多种先验知识的自适应视频目标分割方法。本发明方法首先对含目标掩膜及描述语句的视频进行采样，并利用时空编码器获得时空视觉特征图；然后构建目标先验自适应编码器，将不同形式的先验知识统一编码为目标卷积核；再通过级联目标过滤器使用目标卷积核将时空视觉特征图中的目标与背景相分离，得到目标的概率张量；最后利用Adam算法优化分割网络模型，对包含先验知识的新视频依次通过上述步骤获得目标的预测掩膜。本发明方法提供了端到端的训练模型，既能自适应处理给定的目标掩膜或描述语句等先验知识，还能有效刻画目标先验知识与视频帧外观特征之间的时空关系，有利于更为准确高效地分割视频的重要目标。

本发明公开了一种基于置信度门控时空记忆网络的半监督视频目标分割方法，包括：获取视频分割相关数据集以及对应的分割标签；构建编码器，提取视频图像中所包含的信息；构建置信度门控时空记忆读取模块，过滤历史时空信息中的噪声；构建空洞卷积空间池化金字塔模块，捕捉多尺度的目标特征信息，提升模型的特征识别能力；构建分割解码器，将目标外观信息恢复至高分辨率，得到目标分割结果。本发明方法能够有效减少因目标遮挡或消失对视频目标分割任务带来的影响，进一步提升模型对小目标或相似目标局部特征的识别能力和视频目标分割的准确率。

本发明公开了一种双边视频目标分割方法及系统，该方法将带关键帧标记的视频序列映射到高维的双边空间，减少待处理的视频数据，然后以非空的网格单元作为图的结点并构建图割优化模型，其关键在于通过分析高斯分布规律构建置信动态外观模型，准确地估计各网格单元属于前/背景的可能性；并在能量函数中引入高阶项，用以增强不相邻但具有相似外观特征的结点的时空相关性；最后，利用最大流/最小割算法求解能量函数，获得每一网格单元对应的标签值，最终实现视频像素点的标签分配。该方法不仅能够很好地消除不利因素对分割的干扰，而且能够快速且高精度地处理具有复杂场景的视频目标分割。