专利交易市场

一种面向自动驾驶多维感知融合目标检测的测试方法，包括：通过实例分割提取各类交通场景中常见的实例，根据极端交通场景的设计将实例合理地插入到原始图像中，生成视觉效果更真实的极端样例；然后对生成的样例计算一组基于场景感知的轻量级测试指标，筛选出质量高的一组测试样例；最后送入自动驾驶的多维感知融合目标检测模型中进行测试。本发明提供一种面向自动驾驶多维感知融合目标检测系统的测试方法，该发明解决了现有自动驾驶测试生成样例真实性、多样性不足、极端场景难以覆盖的问题，提供了一种轻量级的自动驾驶目标检测的测试指标，感知场景，高效衡量测试样例的综合质量，提高了自动驾驶的测试效率。

本发明公开了基于孪生卷积网络和特征混合的sift误匹配检测方法，具体为：首先，采用sift算法将待匹配的两幅原始图像进行处理，得到训练集和测试集；并得到样本对应特征点的领域图像，输入到孪生卷积网络，提取领域图像的特征图；然后获取样本对应的sift描述子数据的特征和对应特征点的Harris矩阵，并用全连接层和交叉熵损失函数对融合后的特征进行二分类判断，反向传播更新网络参数，保存训练网络的权重偏置参数；最后将权重偏置参数载入到sift误匹配检测网络中，将待检测的样本数据输入到检测网络，并得出待测样本的预测结果。本发明的方法，大大改善了现有技术中容易出现误判的问题，同时提高了误匹配检测的准确率。

本发明涉及图像深度学习领域，且公开了一种兼顾L2损失与L0损失的对抗攻击方法，包括以下步骤：第一步：首先使用Sign‑OPT攻击产生初始对抗噪声方向θ0和距离λ0；第二步：计算噪声维度不重要度矩阵β；第三步：使用二分搜索寻找一个阈值t，使得将β中高于t的值置0，低于t的值置1后，依然满足f(x0+λ0θ0·β)！＝y0，其中x0表示原始图像，y0表示神经网络对x0的正确分类类别，对初始对抗噪声方向θ0进行维度优化得到最终噪声方向θ'＝β·θ0。该种兼顾L2损失与L0损失的对抗攻击方法，与现有技术比较，不需要重复多次输入多个模型通路，节省了计算资源，受攻击的像素少。

本发明公开了一种视频质量评估模型的测试方法及系统，所述方法包括：确定攻击场景，若为白盒攻击，则通过预设的初始扰动对获取的原始视频进行扰动，获得初始对抗视频，若为黑盒攻击，则对原始视频中的每一个视频帧进行视频分块，获得所述原始视频对应的若干个第一视频块，并对所述若干个第一视频块进行查询扰动，进而生成所述初始对抗视频，再通过预设的对抗攻击模型对所述初始对抗视频进行不断优化，生成最终的对抗视频，通过待测试的视频质量评估模型，获得所述对抗视频对应的第一评估分数及所述原始视频对应的第二评估分数，并根据所述第一评估分数及所述第二评估分数获得所述视频质量评估模型的鲁棒性测试结果，判断待测试的视频质量评估模型的鲁棒性。

本发明公开了一种基于多特征融合的沉浸式视频质量评价方法及装置，涉及视频处理领域，包括：对参考纹理视频序列和失真纹理视频序列采用3D‑LOG滤波器进行特征提取，得到参考纹理特征和失真纹理特征，并计算得到纹理特征相似度，基于纹理特征相似度通过3D‑LOG池化策略得到纹理视频质量分数；根据参考深度视频序列和失真深度视频序列计算得到参考深度特征和失真深度特征；根据参考深度特征和失真深度特征计算得到深度特征相似度并确定梯度权重，根据深度特征相似度和梯度权重计算得到深度视频质量分数；根据纹理视频质量分数和深度视频质量分数计算得到待评价的沉浸式视频的质量分数，解决现有视频评价算法不符合人眼视觉特性和沉浸式视频的特点的问题。

本公开涉及一种确定性能参数的方法及装置、电子设备和存储介质，其中，所述方法包括：获取第一数据集，所述第一数据集包括多张人脸图像；将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；根据所述检测结果确定所述神经网络的性能参数。