-
公开(公告)号：CN114049582A
公开(公告)日：2022-02-15
申请号：CN202111135223.5
申请日：2021-09-27
Applicant: 中国科学院信息工程研究所
IPC: G06V20/40 , G06V40/20 , G06V10/62 , G06V10/56 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于网络结构搜索和背景‑动作增强的弱监督行为检测方法和装置，包括提取目标视频的视频特征；对预定义的自注意力模块进行网络结构搜索，构建优化自注意力模块，并将视频特征输入优化自注意力模块，计算基于局部‑全局信息的自注意力权重向量；利用自注意力权重向量对视频特征进行加权融合，得到视频特征向量，并基于视频特征向量进行分类，获取视频分类结果；根据自注意力权重向量与视频分类结果，进行时序类别激活映射计算，以获取行为检测结果。本发明同时整合了丰富的动作知识和有建设性的背景信息，实现细粒度的背景建模，更好的学习长视频特征，降低了计算复杂度以及时序标注的时间。
-
公开(公告)号：CN109800785B
公开(公告)日：2021-12-28
申请号：CN201811518273.X
申请日：2018-12-12
Applicant: 中国科学院信息工程研究所
IPC: G06K9/62
Abstract: 本发明公开了一种基于自表达相关的数据分类方法和装置。本方法为：1)在生成对抗网络框架下，通过生成器生成针对给定类别标签的假数据；主动学习算法在生成对抗网络每次迭代中从训练数据集选取有用的未标注的数据进行标注，添加到训练数据集A中；半监督学习在生成对抗网络每次迭代中从训练数据集未标注的样本数据中随机假标注一批样本数据，添加到训练数据集A中，直至生成对抗网络收敛；2)将生成对抗网络迭代结束时，将生成器最终生成的假数据添加到最终的训练数据集A中，然后利用分类器对最终的训练数据集A进行分类。本发明能解决标记数据不足以及训练集中类别数据不均衡的问题，以进一步提高分类准确性。
-
公开(公告)号：CN111985333A
公开(公告)日：2020-11-24
申请号：CN202010698168.X
申请日：2020-07-20
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种基于图结构信息交互增强的行为检测方法及电子装置，包括提取一视频的n维视频特征，计算该n维视频特征基于自注意力的n维视频特征表达及各视频特征表达维度的自注意力权重向量，并根据n维视频特征表达，构建一图特征表达；将图特征表达输入一已训练的对抗网络，得到视频特征向量，并对视频特征向量进行分类；根据分类结果及自注意力权重向量，获取该视频的帧类别激活结果，分辨视频中的各动作或背景，得到所述视频中各动作的发生时间段。本发明可对复杂的视频动作和背景的视觉-运动相关性灵活而明确的建模，更好的学习长视频特征，大大降低了计算复杂度以及时序标注的时间。
-
公开(公告)号：CN107220363B
公开(公告)日：2020-09-22
申请号：CN201710422561.4
申请日：2017-06-07
Applicant: 中国科学院信息工程研究所
IPC: G06F16/2458 , G06F16/22
Abstract: 本发明涉及一种支持全局复杂检索的跨地域查询方法及系统。该方法包括：1)建立用于跨地域查询的全局元数据组织结构，其包括全局视图以及全局视图与各数据中心的数据表的映射关系；2)根据各数据中心的数据表的结构调整，动态调整全局视图与各数据中心的数据表的映射关系；3)解析用户的查询请求，根据全局元数据组织结构将查询任务下发至各数据中心执行查询，各数据中心将查询结果反馈至全局点；4)全局点将各数据中心返回的查询结果进行汇总，并将汇总后的数据展示给用户，从而实现跨地域查询。本发明能够提高对各数据中心大数据的综合分析能力，在大数据处理领域具有很强的实用性和应用范围，具有广阔的应用前景。
-
公开(公告)号：CN110490055A
公开(公告)日：2019-11-22
申请号：CN201910610183.1
申请日：2019-07-08
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于三重编码的弱监督行为识别定位方法和装置。本方法为：利用训练样本集训练一个分类器以及编码器-解码器架构中的编码器和解码器：其中，首先提取每对长视频和短视频的特征并输入到解码器，重构视频特征并计算重构损失函数对网络参数进行更新，另一方面将提取特征输入到自注意力模块，提取自注意力特征及权重；如何将自注意力特征输入到分类器进行分类，得到视频分类结果；测试阶段，利用训练好编码器-解码器架构提取视频的自注意力特征及其权重，然后利用训练好的分类器获取该视频的视频分类结果，计算得到该视频的T-CAM值；然后根据T-CAM值将视频中的动作与背景区分开，并得到动作发生的时间段。
-
Patent Agency Ranking
公开(公告)号：CN106127305B
公开(公告)日：2019-07-16
申请号：CN201610439325.9
申请日：2016-06-17
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种针对多源异构数据的异源间相似性度量方法。该方法利用多源异构数据间的语义互补性，基于子空间学习方法，根据马氏距离度量和伪度量约束，将多源异构数据线性投影到一个特征同构空间，消除了异源间的特征异构性，实现了异源间的相似度对比，并在这个空间中充分嵌入异源间的互补信息。本发明对包括多源检索，聚类和分类这样的现实应用有着十分重要的意义。
-
公开(公告)号：CN107563155A
公开(公告)日：2018-01-09
申请号：CN201710670786.1
申请日：2017-08-08
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于生成对抗网络的安全隐写方法和装置。该方法包括：在生成对抗网络框架下，通过生成网络生成要嵌入信息的载体图像，通过判别网络对生成的载体图像的真假性进行判断；通过生成网络和判别网络的动态博弈过程，使得生成网络生成的载体图像接近真实图像；对生成网络生成的载体图像进行信息的嵌入；然后利用隐写分析网络对输入的载体图像和隐写后的图像进行二分类，得到分类为原图和隐写图的准确率。本发明生成的载体图像在视觉上更接近真实图像，并且生成的速度更快，能够提高隐写的安全性。
-
公开(公告)号：CN104657744B
公开(公告)日：2017-10-24
申请号：CN201510046879.8
申请日：2015-01-29
Applicant: 中国科学院信息工程研究所
IPC: G06K9/62
Abstract: 本发明公开了一种基于非确定主动学习的多分类器训练方法及分类方法。本方法为：1)选取或初始化一多分类器；对未标注样本集中的每一样本，利用该多分类器计算该样本的总体信息量Info；所述总体信息量为：模型变更信息量与模型调优信息量之和；2)对该未标注样本集进行聚类，得到J个子类；3)从每个子类中选取总体信息量Info值最小的若干未标注样本；再从所选样本中选取K个样本进行标注后加入到已标注样本集L；4)将更新后的已标注集L作为训练数据重新训练该多分类器；5)迭代执行步骤1)～4)设定次数；然后利用最终得到的多分类器对未标注集进行分类。本发明实现样本信息量的综合评价，从而获得高效化、智能化的多分类器。
-
公开(公告)号：CN104657434B
公开(公告)日：2017-10-24
申请号：CN201510050126.4
申请日：2015-01-30
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种社交网络结构构建方法。本方法为：1)基于待构建社交网络的社交网络图模型G＝(V,L)，获取用户之间交互行为的加权链接矩阵以及该社交网络的用户属性矩阵F；2)将加权链接矩阵和用户属性矩阵合并，构建一综合信息矩阵N；3)根据综合信息矩阵N，对||W||0+λrank(W)求最小化，得到该社交网络的链接强度矩阵W；最小化约束条件为N＝NW,diag(W)＝0,W≥0；4)将该链接强度矩阵W作为该社交网络图模型中边集L的权重信息，得到G＝(V,LW)，构建出该社交网络的网络结构。本方法可实现对社交网络整体结构的建模，从而获得社交网络中任意用户之间相互关系的真实、可靠度量，且求解效率高。
-
公开(公告)号：CN104820687A
公开(公告)日：2015-08-05
申请号：CN201510192537.7
申请日：2015-04-22
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种有向链接式分类器构造方法及分类方法。本方法为：1)初始化一已标注训练数据集T的权值分布、一增量集和迭代截止条件；2)对于第m次迭代，采用已标注训练集T(m)训练一弱分类器Gm(x)，并用当前的Gm(x)的分类误差率和系数更新已标注训练集T(m)的权值分布；并且利用当前的Gm(x)对一未标注集U进行预测，然后从预测结果中选出置信度最高的前K个样本及其对应的预测标签放入或更新到增量集中；3)当满足迭代截止条件时，停止迭代并根据每次迭代得到的弱分类器构建一强分类器G(x)。该方法通过有价值知识的共享传递与协同指导，充分挖掘与利用已标注和未标注这两种样本，实现了模型信息的有效利用与融合增强。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.047 seconds)
