会员体验
专利管家(专利管理)
工作空间(专利管理)
风险监控(情报监控)
数据分析(专利分析)
侵权分析(诉讼无效)
联系我们
交流群
官方交流:
QQ群: 891211   
微信请扫码    >>>
现在联系顾问~
热词
    • 5. 发明专利
    • BILDVERARBEITUNGSVORRICHTUNG, BILDVERARBEITUNGSVERFAHREN, PROGRAMM UND BILDVERARBEITUNGSSYSTEM
    • DE112020004546T5
    • 2022-06-30
    • DE112020004546
    • 2020-09-11
    • SONY GROUP CORP
    • HOMMA SHUNICHI
    • G06T11/60G06F16/55G06F21/60
    • Die vorliegende Technologie bezieht sich auf eine Bildverarbeitungsvorrichtung, ein Bildverarbeitungsverfahren, ein Programm und ein Bildverarbeitungssystem, die es ermöglichen, Bilder zu erzeugen, um ein präzises 3D-Modell auf einer Serverseite zu erstellen, während das Durchsickern von privaten Informationen vermieden wird. In einem Bild aus einer Vielzahl von Bildern, die dasselbe Motiv anzeigen, das das Verarbeitungsziel ist, um nach Verbergungsbereichen zu suchen, d. h. nach Bildbereichen, die verborgen werden müssen, sucht eine Steuereinheit in einem zu verbergenden Verbergungsbereich nach einem Bereich, der mit einem bereits erkannten Verbergungsbereich in einem Bild übereinstimmt, das bereits einer Verbergungsverarbeitung zum Verbergen von Verbergungsbereichen unterzogen worden ist. Beim Synthetisieren eines Verbergungsverarbeitungsbildes, das aus einer eindeutigen Textur mit dem im Verarbeitungszielbild gefundenen Verbergungsbereich ausgebildet ist, synthetisiert die Steuereinheit dasselbe Verbergungsverarbeitungsbild wie das Verbergungsverarbeitungsbild, das während der Verbergungsverarbeitung eines bereits erkannten Verbergungsbereichs synthetisiert wurde, in den Verbergungsbereich im Verarbeitungszielbild, in dem ein Bereich, der mit dem bereits erkannten Verbergungsbereich übereinstimmt, verborgen werden soll. Die vorliegende Technologie kann auf Smartphones und dergleichen angewendet werden, die eine Bildverarbeitung durchführen, um Informationen in einem Bild zu verbergen.
    • 6. 发明专利
    • SOFT THRESHOLD DEFENSE METHOD FOR ADVERSARIAL EXAMPLES OF REMOTE SENSING IMAGES
    • AU2021103604A4
    • 2021-08-12
    • AU2021103604
    • 2021-06-24
    • UNIV CENTRAL SOUTH
    • CHEN LILI HAIFENGLI QIDUAN JIALELU MINGMING
    • G06N20/00G06F16/55G06F17/18G06K9/62
    • A soft threshold defense method for adversarial examples of remote sensing images includes: saving correctly classified remote sensing images and adversarial examples in a validation set under a same class, and removing remote sensing images that cannot be correctly classified in the validation set; re-classifying the images saved in the validation set by treating original images as positive samples and the adversarial examples as negative samples; obtaining a new dataset by combining the output confidences of classes; training a logistic regression model on the dataset; obtaining thresholds of the output confidences through decision boundaries of original images and adversarial examples; and determining whether a current input image is an adversarial example by comparing an output confidence of the current input image with the soft threshold used for defense. Attack of adversarial examples in the scene classification problem of remote sensing images can be effectively defended. 21006ZCM-AUP2 Positive: correctly classified RSIS soft threshold Negative: adversarial examples U pooling layer classifiers RSI convolutional fully connected softthreshold layer layer confidence > soft threshold? predictconfidence If Ture, Safe per class soft threshold If False, Unsafe 21006ZCM-AUP2
    • 7. 发明专利
    • Image searching apparatus, classifier training method, and program
    • AU2020200338B2
    • 2021-05-06
    • AU2020200338
    • 2020-01-17
    • CASIO COMPUTER CO LTD
    • TESHIMA YOSHIHIRO
    • G06K9/66G06F16/55G06T7/174
    • Abstract An objective is to search not only for images classified into a same class but also images that are similar to one another from a predetermined standpoint such as appearance. An image searching apparatus includes a label attacher to attach, to an image with a first correct label attached thereto, a second correct label, the first correct label being a correct label attached to each image included in an image dataset for training for use in supervised training, the second correct label being a correct label based on a degree of similarity from a predetermined standpoint; a main trainer to train a classifier by using the images and one of the first correct label and the second correct label, a fine-tuner to fine-tune a training state of the classifier; trained by the main trainer, by using the images and the other one of the first correct label and the second correct label; and a searcher to search, by using the classifier that is fine-tuned, by the fine-tuner, for images similar to a query image. IMAGE SEARCHING APPARATUS 10 31 CONTROLLER 11 STORAGE IMAGE INPUTTER ) CLASSIFIER OUTPUTTER PRE-TRAINER 1-i -I-) COMMU NICATOF-- I LABELATTACHER MAIN TRAINER FINE-TUNER f-I
    • 9. 发明专利
    • АВТОМАТИЧЕСКОЕ ОПРЕДЕЛЕНИЕ НАБОРА КАТЕГОРИЙ ДЛЯ КЛАССИФИКАЦИИ ДОКУМЕНТА
    • RU2701995C2
    • 2019-10-02
    • RU2018110385
    • 2018-03-23
    • OBSHCHESTVO S OGRANICHENNOJ OTVETSTVENNOSTYU ABI PRODAKSHN
    • NIKITA ORLOVKONSTANTIN ANISIMOVICH
    • G06F16/35G06F16/55
    • Изобретениеотноситсяк областивычислительнойтехники. Техническимрезультатомявляетсяобеспечениеклассификациидокументов. Раскрытспособклассификациидокументов, включающийсозданиевычислительнойсистемоймножествапризнаковизображенийпутемобработкиизображенийизмножествадокументов; созданиемножествапризнаководногоилиболеетекстовпутемобработкитекстовизмножествадокументов; созданиемножествавекторовпризнаков, таких, чтокаждыйвекторпризнаковизмножествавекторовпризнаковвключаетпоменьшеймереодноизследующего: подмножествомножествапризнаковизображенийи подмножествомножествапризнаковтекста; кластеризациюмножествавекторовпризнаковдляполучениямножествакластеров; определениемножествакатегорийдокументов, таких, чтокаждаякатегориядокументовизмножествакатегорийдокументовопределенасоответствующимкластеромпризнаковизмножествакластеровпризнаков; обучениеклассификаторадляполученияодногоилиболеезначений, отражающихстепеньсвязанностиодногоилиболееисходныхдокументовс однойилиболеекатегориейдокументовизмножествакатегорийдокументов; иприменениеобученногоклассификаторадляклассификацииодногоилиболеедокументовс учетомуказанныхполученныходногоилиболеезначений. 3 н. и 17 з.п. ф-лы, 12 ил.