本发明涉及一种基于对抗网络的图像设计作品抄袭检测方法,针对现有图像设计作品篡改样本缺乏,导致传统深层神经网络训练难以实现的问题,设计采用全新逻辑策略,针对生成网络根据原始抄袭图像所生成的模型篡改蒙版图像,结合人工标记的篡改蒙版图像,应用判别网络判断哪个蒙版图像是人工标记的,由此基于判断结果正确与否所表征生成网络与判别网络的准确性,执行相应的反馈训练操作,不断提高两者网络的准确性,如此即通过不断的对抗迭代,使两者网路准确性达到最终的平衡状态,所获生成网络即为图像检测模型,具备优越的作品抄袭识别性能,应用图像检测模型即可获得待判别图像的篡改蒙版图像,高效实现了图像设计作品的篡改检测。
📄 2020106205157
📂 G06V10_82
👤 江南大学
📅 2020-06-30
本发明公开了一种采用基于混合专家模型的生成式对抗网络的图像生成方法,属于图像分类技术领域。该方法通过设计基于混合专家模型的生成式对抗网络,实现对生成过程的更精细控制和更高效的参数利用。从而提高了生成图像的质量和多样性,还增强了模型对复杂数据分布的学习能力。进一步的,本申请方法还设计了多模态数据融合网络,能够基于图像、文本、音频等不同模态的数据的信息生成新的图像;此外,本发明还引入了一种新的损失函数,不仅考虑了生成图像与真实图像之间的相似度,还考虑了专家网络之间的协作和平衡,进一步优化了生成对抗网络的训练过程,进而提高了图像生成质量,提高了图像分类精度。
📄 2024114234963
📂 G06V10_82
👤 江南大学
📅 2024-10-12
本发明涉及异常决策技术领域,公开了一种基于多尺度特征融合差分的轻量化智能异常决策方法,包括选取多个正常图像作为记忆样本;获取待检测图像;获取每个记忆样本与待检测图像的多个具有不同分辨率的阶段特征,组成每个记忆样本的样本存储信息与待检测图像的实时存储信息;计算实时存储信息与每个样本存储信息之间的欧几里得距离,获取距离最小的作为目标样本存储信息与目标记忆样本;获取目标记忆样本与待检测图像在各个分辨率下的x轴、y轴卷积阶段特征,计算各个分辨率下目标记忆样本与待检测图像之间的差分信息;获取基于金字塔结构的多尺度特征差分中每一层的差分输出,进行通道拼接后,输入解码器中,获取待检测图像中的缺陷定位结果。
📄 2024114052382
📂 G06V10_82
👤 江南大学; 大连理工大学; 苏州大学; 吉林大学
📅 2024-10-10
本申请提供的一种基于深度学习的口罩识别方法,其基于YOLOv5构建目标检测模型,在主干网中使用了SPPCSPCF结构,将送入了SPPCSPCF结构的特征图分为两部分,其中一部分进行常规卷积处理,另一部分进行SPP处理,最后再将两部分进行Concat操作合并在一起,可以减少一半的计算量,提高计算速度的同时也提升了精度;尤其是,在SPPCSPCF结构中将三个MaxPool2d设置为串行结构,减少了特征图输入金字塔池化结构的通道数,提高了运行速度,所以本申请技术方案在人流量大、目标小导致的大计算量的应用场景中,仍然能够及时地识别出目标。
📄 2023110001705
📂 G06V10_82
👤 江南大学
📅 2023-08-10
本发明公开了一种基于空间邻域聚合的视觉图像处理方法及系统,将注意力头绑定至预定义空间偏移方向并在聚合阶段进行方向感知的重映射实现。针对现有视觉Transformer多头聚合方式缺乏空间结构感知的问题,本发明将聚合方式从“同一位置多子空间的平行拼接"重新定义为“以当前位置为中心的多方向空间邻域的结构化聚合”。通过将部分注意力头绑定至预定义的空间偏移方向,使每个patch的输出特征天然包含其空间邻域各方向的上下文信息。本发明提供的一种基于空间邻域聚合的视觉图像处理方法及系统不修改注意力计算过程,不引入额外参数,不增加计算复杂度,且完全解耦感受野大小与头表达能力。
📄 2026106541808
📂 G06V10_82
👤 南京信息工程大学
📅 2026-05-13
本发明旨在提供一种基于改进YOLOv5s的红外弱小目标检测方法,包括以下步骤:A、构建深度神经网络结构,深度神经网络结构具体如下:Backbone网络、Neck网络、YOLO检测头;B、对深度神经网络进行训练,得到训练好的深度神经网络;C、基于训练好的深度神经网络,红外图像输入Backbone网络中,依次经过该网络中的各个模块处理,其中,CSP1_2模块、CSP1_3模块、SPPF模块的处理结果分别输入Neck网络中;D、Neck网络处理得到三个大小不同的特征图,将其输入YOLO检测头中,经YOLO检测头预测处理后得到最终结果。本发明方法能够有效提升对红外弱小目标的识别准确性和识别速度。
📄 2023106325523
📂 G06V10_82
👤 广西科技大学
📅 2023-05-31
本发明公开了一种基于Fire‑MCANet的火焰检测方法,此方法可适用于各种环境下的火焰检测问题,该检测算法主要是基于数据增强处理之后的图片,增加了CA注意力机制并结合了MCA模块和MCA Block模块创造的新的MCANet网络模型。首先对收集到的图片数据进行数据清洗,将清洗后的所有图片先进行数据增强,然后将通过数据增强后的火焰图像导入Fire‑MCANet模型进行训练,得到目标模型来实现火焰检测。本发明方法可以有效的判断当前图像是否存在火焰并进行精确度预测,提高火焰检测的精度,并增加了深度学习网络在检测中的使用价值。
📄 2023105916598
📂 G06V10_82
👤 淮安大学
📅 2023-05-24
本发明针对深度神经网络鲁棒性优化问题,公开了一种高效的深度神经网络模型鲁棒性优化方法,属于机器学习和AI安全领域。该方法首先为目标模型浅层添加额外分支进行特征融合,将目标模型改造为可以在速度和准确率之间进行权衡的特征金字塔结构,然后基于生成式对抗网络提取图像样本的潜在特征生成攻击力更强的对抗样本进行对抗训练。本发明提供了一种高效的深度神经网络模型鲁棒性优化方法,有助于扩大模型的防御范围,对模型鲁棒性进行优化。
📄 2021106594910
📂 G06V10_82
👤 西安邮电大学
📅 2021-06-15
本发明属于目标检测算法技术领域,具体涉及一种基于改进YOLOv5n的目标检测方法,所述检测方法包括以下内容:S1:利用RepConv改进FasterNet主干网络;使用RepVGG中的RepConv取代FasterNet中的PConv;S2:替换原C3主干网络;将改进后的Faster_Rep与原主干网络的C3模块融合,使用改进后的C3‑FR主干替换原主干网络的backbone;S3:对改进后的模型进行剪枝;通过对YOLOV5算法进行改进,优化了整个算法的检测效果。本发明能够有效的减小网络的参数数量、提高运算速度,同时提升模型的检测精度。
📄 2024110196657
📂 G06V10_82
👤 广东工业大学
📅 2024-07-29
本发明属于对抗攻击技术领域,公开了一种针对视觉目标跟踪的对抗样本攻击方法、系统及终端,包括以下步骤:S1,随机选取干扰图像,并添加补丁;S2,扰动测试图像特征,生成对抗样本;即在特征空间对测试图像进行优化,使其逼近带有补丁的干扰图像特征,同时保持对抗噪声在测试图像的像素空间尽可能不可察觉,该方法称为USAE;S3,样本替换,攻击目标跟踪算法;将对抗测试样本用于目标跟踪模型测试,评估跟踪结果即为攻击效果。本发明无需特定干扰数据集,对于任意数据集都可进行处理。对于数据集上添加的补丁大小,可进行大小调整,整体可调节性强,可根据实际所需进行相关设置调整。
📄 2023110770473
📂 G06V10_82
👤 浙江师范大学
📅 2023-08-24
本发明涉及目标检测技术领域,具体涉及一种基于改进YOLOX算法的目标检测方法,为解决检测小目标的图像的检测精度不足的技术问题。该目标检测方法包括:获取商标数据集,并将商标数据集内的图片格式转化为可以直接输入YOLO网络进行训练的格式,得到可用商标数据集;将可用商标数据集的数据进行预处理,将所有的商标图片划分为训练集、验证集和测试集;分析训练集、验证集和测试集,确定所有的商标种类;基于YOLOX的网络结构进行改进,得到改进后的YOLOX目标检测算法;用训练数据集对改进后的YOLOX目标检测算法进行训练,评估得到最佳训练权重文件,得到最终YOLOX目标检测算法。增强了对小目标的图像的检测精度。
📄 2023105630181
📂 G06V10_82
👤 江苏科技大学
📅 2023-05-18
本发明公开了一种基于多尺度残差融合Transformer和空间‑通道注意力机制的合成孔径雷达图像目标检测方法,方法包括:步骤S1、使用合成孔径雷达图像目标检测系统生成合成孔径雷达图像数据集;步骤S2、将所述合成孔径雷达图像数据集输入深度神经网络的结构进行训练,得到训练好的深度神经网络;步骤S3、将待测合成孔径雷达图像输入所述训练好的深度神经网络中,得到合成孔径雷达图像目标检测结果。本发明使用空间‑通道注意力模块采用双分支注意力机制,强化全局上下文与局部细节的协同表达,增强上下文感知能力以抑制背景干扰。本发明使用残差融合Transformer模块采用残差融合与特征金字塔注入的结构,增强特征表达。
📄 2025108398087
📂 G06V10_82
👤 广东工业大学
📅 2025-06-23