-
公开(公告)号：CN115984968A
公开(公告)日：2023-04-18
申请号：CN202310031388.0
申请日：2023-01-10
Applicant: 中南大学
IPC: G06V40/20 , G06V40/16 , G06V10/82 , G06N3/0455
Abstract: 本申请适用于教学管理系统技术领域，提供了一种学生时空动作识别方法、装置、终端设备及介质，该方法包括：根据改进后的人脸识别方法和图像特征提取神经网络模型构建人脸特征提取模型；根据人体检测模型和时空特征提取神经网络模型构建时空动作识别模型；利用人脸检测模型和时空动作识别模型对待处理视频数据进行处理，得到动作管集合和人脸标注框集合；对动作管集合和人脸标注框集合进行空间交并，得到待识别动作集合；利用人脸特征提取模型提取每个人脸标注框的人脸特征数据；将目标学生的人脸特征数据与预处理人脸特征数据进行匹配，得到目标学生的身份信息以及动作信息。本申请能对学生的时空动作与学生身份进行匹配。
-
Patent Agency Ranking
公开(公告)号：CN115761263A
公开(公告)日：2023-03-07
申请号：CN202211581109.X
申请日：2022-12-09
Applicant: 中南大学
Abstract: 本申请适用于图像检索技术领域，提供了一种深度哈希方法，该方法通过提取图像数据的局部特征数据和全局表示数据；对局部特征数据和全局表示数据进行融合，得到融合特征数据；对多个融合特征进行聚类，得到多个簇；将最大簇融合特征的数量作为所有超边的最大阶数，根据所有阶超边的权重构建总关联矩阵；根据总关联矩阵构建融合特征数据超图；利用超图卷积神经网络对融合特征数据超图进行处理，得到融合特征数据对应的优化特征数据；对优化特征数据进行处理，得到图像数据的初始哈希码；利用初始哈希码和损失函数构建模型优化函数，并根据模型优化函数得到最终哈希码。本申请可以提高深度哈希方法检索的准确率。
-
公开(公告)号：CN115761263B
公开(公告)日：2023-07-25
申请号：CN202211581109.X
申请日：2022-12-09
Applicant: 中南大学
Abstract: 本申请适用于图像检索技术领域，提供了一种深度哈希方法，该方法通过提取图像数据的局部特征数据和全局表示数据；对局部特征数据和全局表示数据进行融合，得到融合特征数据；对多个融合特征进行聚类，得到多个簇；将最大簇融合特征的数量作为所有超边的最大阶数，根据所有阶超边的权重构建总关联矩阵；根据总关联矩阵构建融合特征数据超图；利用超图卷积神经网络对融合特征数据超图进行处理，得到融合特征数据对应的优化特征数据；对优化特征数据进行处理，得到图像数据的初始哈希码；利用初始哈希码和损失函数构建模型优化函数，并根据模型优化函数得到最终哈希码。本申请可以提高深度哈希方法检索的准确率。
-
公开(公告)号：CN115311521B
公开(公告)日：2023-04-28
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
公开(公告)号：CN117195970A
公开(公告)日：2023-12-08
申请号：CN202311467452.6
申请日：2023-11-07
Applicant: 中南大学
IPC: G06N3/0475 , G06N3/042 , G06N3/094 , G06N3/126
Abstract: 本发明公开了一种基于遗传算法的超图神经网络对抗样本生成方法，包括获取目标超图神经网络的数据信息；为注入节点随机生成标签并得到注入节点的特征；选定注入节点可能连接的所有超边；将注入节点注入超边得到超图，计算损失并选取若干超边作为遗传进化的输入数据；采用遗传算法对超边进行遗传进化并计算个体得分；选取个体作为注入节点的连接关系，完成注入节点生成并保存注入节点；对注入节点进行排列组合并输出对抗样本，完成目标超图神经网络的对抗样本生成。本发明设计了一种基于遗传进化的注入节点生成方法，并保存高质量的注入节点，通过对注入节点进行变异操作得到高质量对抗样本；因此本发明方法的可靠性更高，效果更好。
-
公开(公告)号：CN115311521A
公开(公告)日：2022-11-08
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
