专利交易市场

一种在线多任务学习的人体姿态射频识别方法包括以下步骤：步骤1：部署无源RFID电子标签、天线和读写器；步骤2：采集数据，训练站立姿态分类器以及相关任务分类器；步骤3：对在线目标进行姿态识别，对识别结果设计评价指标。本发明使用RFID技术识别人体姿态，无需摄像头采集人像，不影响隐私，也不需要佩戴各种传感器，更加方便；使用在线学习特征的多任务学习方法训练卷积神经网络，可以在线实时更新分类器，使得模型泛化能力更强，识别精度更高。

本方案提供了一种用于混凝土裂缝分割和深度预测的多任务预测模型及应用，在SAM模型的基础上进行优化，编码模块采用含自适应组件的图像编码器，冻结主干网络多数参数仅微调组件，在减少计算资源消耗的同时精准捕捉混凝土裂缝特征，且编码器输出多尺度特征支撑解码模块分割与深度预测模块计算；解码模块通过多层级编码特征协同解码生成裂缝分割掩码，深度预测模块以含残差连接的深度预测器提取特征并预测深度，最终实现裂缝分割与深度预测的一体化高效处理，为混凝土结构健康监测提供可靠技术支撑。

本发明公开了一种基于自监督学习和多任务学习的高光谱开放集分类方法，主要解决现有高光谱开放集分类方法无法充分利用高光谱开放集的无标签样本，导致分类精度低的问题，其实现方案为：输入高光谱图像并对其进行预处理；对预处理后的图像进行邻域取块，生成训练数据集与测试数据集；构建基于自监督学习和多任务学习的神经网络模型；利用训练数据集，采用自监督学习方法和多任务学习方法对所构建的神经网络模型进行训练；将测试数据集输入到训练好的神经网络模型中得到分类结果。本发明能充分利用无标签样本信息，缓解有标签样本少的问题，提高了分类精度，可应用于环境监测、资源勘探、城市规划及农业计划。

本发明公开了一种基于多任务学习的低光照行人检测方法及系统，包括获取正常、低光照行人数据集；构建光照增强网络，并利用正常、低光照行人数据集进行预训练；构建行人检测网络，利用正常光照行人数据集进行预训练；基于多任务学习，设计一个能够融合不同任务之间特征的多任务学习模块，对两个网络进行特征共享，构建多任务特征共享的低光照行人检测网络；将两个预训练模型导入到该低光照行人检测网络，并利用正常、低光照行人数据集进行训练，得到多任务特征共享的低光照行人检测模型；利用多任务特征共享的低光照行人检测模型对被检测图像进行检测，得到图像中行人的位置。本发明能够准确、高效的在低光照的图像中检测出行人的位置。

本发明提供了一种基于多任务学习的SSD故障预测方法、设备及介质，涉及机器学习技术领域，所述方法包括：对获取的硬盘日志中的数据进行预处理和标准化，获取若干个初始SSD和每一初始SSD的初始数据，获取目标年龄组列表和每一目标年龄组对应的关键特征列表，获取每一目标年龄组对应的目标SSD列表和每一目标SSD对应的目标关键特征值列表，获取目标多任务学习模型，获取目标堆叠结果，获取第一其它分类器和第二其它分类器，获取第一其它预测结果；获取第二其它预测结果，基于目标堆叠结果、第一其它预测结果和第二其它预测结果，获取每一目标SSD对应的最终预测结果，提高SSD故障预测的准确性。

本发明提供了一种基于多任务学习的实时高速公路行人闯入事件检测方法，所述方法包括以下步骤：1）从高速公路摄像头中获取数据集；2）对数据集进行数据增强；3）对增强后的数据集进行行人检测标注与道路分割标注；4）构建多任务学习神经网络模型；5）根据增强处理后的训练数据集对多任务学习神经网络进行训练；6）根据训练后的多任务学习神经网络对实时高速公路图像进行行人检测与道路分割；7）判断行人是否在高速公路上，并对高速公路上的行人进行标记、预警。本发明的技术方案能够通过训练一个多任务学习神经网络模型来同时实现道路分割和行人检测，从而满足高速公路场景下行人闯入事件检测的实时性和准确性。

本发明请求保护一种基于多任务学习模型的AI换脸视频检测方法，属于计算机视觉与深度学习领域，包括以下步骤：预先训练基于多任务学习的模型来检测被修改的换脸视频，并为每个查询定位修改的区域，此模型为自动编码器包括一个Y型自动解码器。利用半监督学习方法来提高网络的生成性，利用多任务之前共享有价值的信息，减少激活损失函数、分割损失函数和重建损失函数的总和，并使用优化器进行优化，进而提高性能。对于视频输入检测，对所有帧的概率进行求平均，得出输入为真或假的概率。本发明有利提高AI换脸视频检测。