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
本公开提供了一种图像识别方法及装置、神经网络模型的训练方法及装置，涉及人工智能领域，具体为计算机视觉和深度学习领域。实现方案为：将待识别图像输入神经网络模型；以及至少基于多个网络模块中靠近神经网络模型的输入侧的部分网络模块执行对待识别图像的识别，其中，针对至少一个超网络模块中任一超网络模块及其所对应的预测器，在该超网络模块接收到上一个网络模块所输出的特征图的情况下，将特征图输入与该超网络模块所对应的预测器，以获取该预测器所输出的预测值，基于预测值，确定该超网络模块的至少两个子网络中的一个子网络为选中子网络，以及在该超网络模块中，利用选中子网络执行对待识别图像的识别。
📄 2021101275529
📂 G06V10_82
👤 北京百度网讯科技有限公司
📅 2021-01-29
本申请公开了一种人脸识别网络的训练方法、装置、设备及存储介质，涉及人工智能中深度学习、云计算以及计算机视觉领域，具体涉及戴口罩人脸识别方面。具体实现方案为：将训练数据对中的遮挡人脸图像输入教师网络，无遮挡人脸图像输入学生网络，并根据所述教师网络和所述学生网络对所述训练数据对的预测结果，交替训练所述教师网络和所述学生网络；其中，所述训练数据对由相同身份的遮挡人脸图像和非遮挡人脸图像构成；从训练后的教师网络和学生网络中，确定通用人脸识别网络。以解决人脸识别结果准确性失衡的问题，提高人脸识别的准确性。
📄 2020105926647
📂 G06V10_82
👤 北京百度网讯科技有限公司
📅 2020-06-24
本申请公开了一种分类网络训练方法、分类方法、装置以及电子设备等，涉及深度学习、计算机视觉等人工智能技术领域。实现方案为：获取第一训练集；基于第一训练集对初始分类网络进行训练，得到目标分类网络；其中，初始分类网络包括第一残差网络，第一残差网络包括第一卷积层、N个中间特征提取层和第二卷积层，N为整数。即待训练的初始分类网络不但包括第一残差网络，第一残差网络中包括第一卷积层和第二卷积层外，在第一卷积层和第二卷积层之间还添加了N个中间特征提取层，通过中间特征提取层可对第一卷积层的卷积输出结果可进行进一步的特征提取，然后将得到的结果输入至第二卷积层再进行处理。如此，可提高目标分类网络的表达能力。
📄 2020111979798
📂 G06V10_82
👤 北京百度网讯科技有限公司
📅 2020-10-30
本申请提供了一种用于图像数据识别模型构建的方法及系统。其方法包括：获取包括真值标注的图像数据集；基于图像数据集和教师网络模型，采用FSP方法对学生网络各层权重进行初始化，以得到至少两个网络结构相同的学生网络模型；基于包括真值标注的图像数据集，采用DML蒸馏方法训练每个学生网络模型，当训练后的学生网络模型都满足预设条件，将训练后的学生网络模型作为图像数据识别模型。通过该方法，从教师网络模型迁移学习，得到至少两个结构相同且完成各层权重初始化的学生网络模型，可避免数据少无法很好初始化神经网络等问题，且可降低训练难度，采用DML蒸馏方法，得到识别能力有保障的图像数据识别模型，训练周期短、速度快、易部署，适用性广。
📄 2023108217487
📂 G06V10_82
👤 上海芯翌智能科技有限公司
📅 2023-07-05
一种液柱型仪表的读数识别方法及装置、存储介质、终端，所述方法包括：获取多张第一样本液位图像，所述多张第一样本液位图像包括量程区域，所述量程区域被液位划分为液柱区域和非液柱区域；采用样本液位图像集对预设识别模型进行训练，以得到液位识别模型；获取待识别液位图像，所述待识别液位图像包含待识别的液柱型仪表的影像；将所述待识别液位图像输入至所述液位识别模型，以得到所述液位识别模型输出的液位比例；根据所述液位识别模型输出的液位比例和所述待识别的液柱型仪表的量程，确定所述待识别的液柱型仪表的读数。通过本发明提供的方案，可以高效、准确地确定液柱型仪表的读数。
📄 2022100613946
📂 G06V10_82
👤 上海芯翌智能科技有限公司
📅 2022-01-19
本发明涉及深度学习技术领域，提出一种用于神经网络训练的伪标签生成方法及系统，包括以下步骤：将输入图像及其对应的图像级别标签传输至基于残差结构的分类骨干网络进行注意力池化，得到类激活图，以及，将输入图像传输至显著对象检测网络进行区域检测，得到显著性图；融合类激活图与显著性图的各区域特征，合成输入图像的边界伪标签；利用边界伪标签监督边界检测网络的训练，并将输入图像传输至已训练完成的边界检测网络进行边界检测，提取输入图像的边界；利用边界引导类激活图进行细化传播，生成与输入图像相对应的语义分割伪标签。本发明能够大幅降低人工标注像素级标签的成本和时间，提高语义分割伪标签的精度和生成效率。
📄 2023113319796
📂 G06V10_82
👤 暨南大学
📅 2023-10-16
本发明提供了一种基于YOLOv11改进的下水道内部缺陷检测方法和系统，所述方法通过自适应特征融合模块实现多层次特征的动态加权融合，增强模型对小目标和复杂背景的检测能力；通过 SENet 注意力机制提高通道特征的选择性，降低背景干扰；引入 MPDIoU 损失函数改进边界框回归损失。改进的模型在裂痕、障碍物、腐蚀、变形等下水道缺陷的检测任务中性能显著优于原始 YOLOv11，特别是在mAP50（平均精度）、Box 精度（P）和召回率（R）等关键指标上均有显著提升。该发明可实现对下水道内部多类型缺陷的高效、精准检测，为下水道维护与管理提供了更优的解决方案。
📄 2025100277370
📂 G06V10_82
👤 南京信息工程大学
📅 2025-01-08
本发明公开了一种基于多循环对比增强一致性的自监督跟踪损失优化方法，属于目标跟踪技术领域。该方法为：对训练数据集中的视频帧依次执行前向跟踪和反向跟踪，并对前向跟踪和反向跟踪最后一步的模板帧进行数据增强操作；根据第一帧的真实目标标签及其反向跟踪生成的伪标签构建循环一致性损失；根据增强后的视频帧与对应的原始视频帧在执行前向跟踪和反向跟踪的差异构建对比增强损失；联合循环一致性损失和对比增强一致性损失对自监督跟踪模型进行优化。本发明利用数据增强技术来模拟目标外观变化，在视频帧中构造对比增强一致性损失来优化跟踪模型，实现了高性能的跟踪。
📄 2023107589482
📂 G06V10_82
👤 南京信息工程大学
📅 2023-06-26
本发明的目的是为了一种基于Unet的云和云影改进型语意分割方法，包括：对Unet模型进行改进，得到语义分割子网络；采用语义分割子网络对输入的云图进行处理，通过上采样获取语义分割特征图；构成四个卷积阶段，通过 1×1 的卷积操作对四个卷积阶段所得到的特征图进行融合，构建得到边缘检测子网络；采用边缘检测子网络对输入的云图进行处理，得到边缘检测特征图；对输入的云图、语义分割特征图和边缘检测特征图进行加权融合，输出云和云影分割结果。本发明能够有效提高云和云影的种类或者形状较多时的复杂云图的识别准确率。
📄 2025103724569
📂 G06V10_82
👤 南京信息工程大学
📅 2025-03-27
柿子坊 · 知识产权运营
柿子坊知识产权运营平台