公开(公告)号：CN117975164A

公开(公告)日：2024-05-03

申请号：CN202410296296.X

申请日：2024-03-15

Applicant: 中南大学

Inventor： 沈成超 ,  刘大伟 ,  唐浩

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明公开了一种面向复杂开放环境下的机器人视觉感知表征学习方法，以实例判别为自监督学习的代理任务，通过随机混合一个数据批次中多个图像的图像块，构建一个新的混合图像的图像块序列；新序列中的每个样本与另一种数据增强下的多个视图互为正样本对；进一步提出了跨实例建模的对比方法，包括以下三部分：第一部分是混合图像和原始图像之间的对比学习，以构建混合图像和原始图像之间的相似性，其中每个混合图像在原始图像序列中存在多个正样本，第二部分是混合图像和混合图像之间的对比学习，以进一步建模混合图像之间的复杂关系，每个混合图像序列中的每一个样本在另一个混合图像序列中都存在多个正样本，第三部分是原有的对比学习，它采用未混合的原始图像块序列，将同一个图像经过不同数据增强的视图作为唯一正样本，而其他图像的视图作为负样本，来消除混合图像和原始图像之间的域差异所产生的潜在表示差距。本发明可以有效地挖掘出自然图像之间的跨实例相似性。

公开(公告)号：CN118351480A

公开(公告)日：2024-07-16

申请号：CN202410324493.8

申请日：2024-03-21

Applicant: 中南大学

Inventor： 沈成超 ,  刘大伟 ,  李俊廷

IPC: G06V20/52 ,  G06V10/764 ,  G06V10/52 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明公开了一种面向安防监控的无监督视觉特征学习方法，它针对复杂安防场景下安防监控系统的异常样本过少，类别不平衡导致对异常状况监测的准确性不足的问题，通过对单目标安防图像的子视图进行多尺度拼接，再进行跨目标混合，得到多尺度多目标安防视图，进而构造更多的异常样本。同时提出了多目标拼接图像和单目标图像的对比方法，该方法包括三个方面：多目标安防图像与单目标安防图像之间的对比；多目标安防图像与其他多目标安防图像之间的对比；单目标安防图像与单目标安防图像之间的对比。本发明可充分利用无标记数据丰富安防领域的异常样本，在实际安防环境下表现出较强的准确性和鲁棒性。

公开(公告)号：CN116363465A

公开(公告)日：2023-06-30

申请号：CN202310355846.6

申请日：2023-04-06

Applicant: 中南大学

Inventor： 沈成超 ,  陈建忠 ,  王建新

IPC: G06V10/778 ,  G06V10/764 ,  G06V10/26 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于非对称掩码的对比学习方法对提取的图像的语义信息进行图像分类的方法，主要包括对获取到的原始图像进行两次随机裁剪并分别做不同的数据增强来构建正样本对；采用非对称掩码策略对图像块进行采样，降低重叠区域的采样率，构建具有较大外观差异的正样本对；将采样的图像块输入到一对参数共享的编码器中，其中一侧编码器使用梯度下降更新，另一侧编码器则动量更新来提取图像表征；将图像表征分别经过映射模块和预测模块，使用对比损失函数最小化正样本之间的差异，同时最大化负样本之间的差异；同时在训练的过程中利用自适应的裁剪梯度策略来稳定训练过程。本发明能够更好的捕捉图像表征信息，从而能够提高图像分类的准确率。

公开(公告)号：CN116548969A

公开(公告)日：2023-08-08

申请号：CN202310528589.1

申请日：2023-05-11

Applicant: 中南大学

Inventor： 王建新 ,  吴帆 ,  沈成超

IPC: A61B5/16 ,  A61B5/055 ,  A61B5/00 ,  G06T7/00 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  H04L67/01 ,  G06N3/098 ,  G16H50/20

Abstract: 本发明公开了一种基于无数据知识蒸馏联邦学习的多中心自闭症识别方法和介质，每个成像中心对应一个客户端，所有客户端共享一个服务器端；各客户端利用训练好的本地自闭症识别模型，根据本地成像中心图像对应的特征向量，输出自闭症识别结果；其中各客户端训练好的本地自闭症识别模型，其学习训练方法为：一方面利用本地图像数据库学习训练自闭症识别模型，另一方面利用无数据知识蒸馏的方式，通过共享服务器端从其他客户端学习自闭症分类知识，迁移到本地的自闭症识别模型，同时保留本地自闭症识别模型中利用本地图像数据库学习到的个性知识。本发明可以消除联邦蒸馏方法对真实数据集的依赖，并有效提升多中心自闭症分类的准确率。

公开(公告)号：CN115511109A

公开(公告)日：2022-12-23

申请号：CN202211206093.4

申请日：2022-09-30

Applicant: 中南大学

Inventor： 王建新 ,  刘渊 ,  沈成超 ,  盛韬 ,  王殊 ,  段桂华

IPC: G06N20/20

Abstract: 本发明公开了一种高泛化性的个性化联邦学习实现方法，包括，服务端随机初始化全局双分支模型并发送初始化参数至客户端；客户端初始化本地双分支模型并利用本地数据进行本地迭代训练得到更新的客户端本地模型；将更新后的客户端本地模型训练的统计参数和全局任务分支的模型参数上传至服务端；服务端聚合所有客户端的全局任务分支的模型参数并更新发送给多个客户端；客户端根据服务端更新的全局任务分支模型参数并结合本地迭代训练得到的个性化任务分支模型参数，构成更新的客户端本地双分支模型；客户端使用本地双分支模型基于本地数据迭代训练并循环参与联邦更新直至满足预设标准。可在保证个性化联邦学习有效性的同时提升模型的泛化性。

公开(公告)号：CN117975311A

公开(公告)日：2024-05-03

申请号：CN202410296391.X

申请日：2024-03-15

Applicant: 中南大学

Inventor： 沈成超 ,  陈建忠

IPC: G06V20/17 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/084 ,  G06T3/4007 ,  G06T3/4038

Abstract: 本发明公开了一种基于多粒度对比的无监督无人机目标检测方法，主要包括对获取到的原始无人机视角图像进行两次随机裁剪并分别做不同的数据增强来构建正样本视图对；在正样本视图对中根据图像块的重叠率建立多粒度区域对应关系，并保存每种粒度在视图中的索引；将采样的图像块输入到一对初始化参数相同的编码器中来获取图像表征，其中一侧编码器使用正常的梯度下降更新，另一侧编码器则使用动量方式更新参数；使用不同窗口的平均池化得到经过编码器的不同粒度的所有表征，再根据每种粒度的索引提取到表征后分别经过映射模块和预测模块，使用对比损失函数最小化不同粒度正样本之间的差异，同时最大化负样本之间的差异；本发明能够更好的捕捉图像表征信息，从而能够提高无人机目标检测的准确率。