排序方式: 共有42条查询结果,搜索用时 203 毫秒
1.
人脸活体检测是人脸识别系统安全性保证的关键,其中,解纠缠学习方法可以有效解决人脸活体检测中泛化数据集的问题,但是现有的解纠缠学习方法往往将整幅人脸图像作为输入,解析出伪造痕迹元素,会忽略伪造痕迹的局部细节问题。针对这一问题,改进现有的伪造痕迹解纠缠网络,提出多对抗性鉴别网络模型,在鉴别器中设计主鉴别器和区域鉴别器,引入人脸遮罩模块,生成人脸皮肤、五官遮罩蒙版,整合人脸局部信息,使生成器拟合的图像更接近数据集中人脸图像的分布,同时解离出加强版的伪造痕迹。提出的多对抗性鉴别网络有效地增强了伪造人脸图像的伪造痕迹信息并提高了人脸活体检测的准确率。具体来说,该网络模型在OULU-NPU数据集的2个实验中的检测错误率仅为0.8%和1.4%,相比STDN错误率显著降低,同时在Idiap Replay-Attack数据集上也达到了较好的检测效果。为了验证该网络模型的可迁移性,在NUAA数据集和Idiap Replay-Attack数据集上进行跨域实验,达到了不错的效果。 相似文献
2.
自学习在智能教学系统中的应用 总被引:1,自引:0,他引:1
采用信息论作为指导 ,对传统的CLS决策树学习算法进行改进 ,控制了决策树的大小。然后 ,根据学生认知水平的不同 ,将该算法运用于智能教学系统来建立决策树 ,指导教学方法的不断调整 ,达到因材施教的目的。 相似文献
3.
远程教育系统中知识表示的研究 总被引:1,自引:0,他引:1
针对现有远程教育系统智能化低、知识表达能力差、结构化不清晰等方面的问题,引进了基于扩展标记语言XML(extesible markup language)的表示方法,并通过分析指出基于XML的表示方法在远程教育系统中的巨大优势;给出了一个通用的远程教育系统的体系结构,并用形式化的语言描述了该系统,最后将该形式化的语言转换为XML语言. 相似文献
4.
为解决部分遥感建筑物因为自身形状的不规则,导致传统矩形识别框算法对该类检测目标分割效果差,难以精确定位的问题,提出一种改进的Mask RCNN检测算法。改进Mask RCNN的主干网络FPN网络,简化特征融合过程,有效避免语义信息丢失;改进Mask RCNN的RPN网络,针对识别框的重复计算,提升其运算效率,提高检出率;调节mask掩膜参数,提高分割效果。实验结果表明,改进Mask RCNN目标检测算法的检测精度和召回率达到了99.80%和97.88%,较原算法分别提高了1.54%和1.65%,有效优化了遥感领域不规则建筑物的检测问题。 相似文献
5.
为了使树生成算法更为通用且效率更高,提出一种基于前缀编码的树生成算法.算法中的节点采用前缀编码的数据结构,便于用户对树中节点及其下层子节点上的关联数据进行快速查询和统计.由于在构造树之前已采用先根遍历的方式对节点进行了排序,同时建树过程中记录了最近各层节点的信息,因此无需搜索节点的上下层信息就可直接建立起树,大幅提高了建树效率,算法时间复杂度为O(n).该算法无需额外的数据预处理即可构造任意子树,且不会增加算法复杂度. 相似文献
6.
7.
目的为智能系统寻求一种较好的知识表示方法. 方法分析现有的各种知识表示方法, 尤其是面向对象表示法和 XML 的知识表示方法. 结果提出了基于对象的 XML 知识表示方法. 结论基于对象的 XML 知识表示方法将在知识表示中占据重要地位. 相似文献
8.
在管理信息系统的层次分类树中,为了快速查询分类信息并高效地生成层次分类子树,提出了一种基于前缀编码的先根遍历树生成算法。该算法中的节点采用前缀编码的数据结构,便于快速检索出子树节点集合;在构造子树时预先对其进行先根遍历,产生有序遍历表,同时记录最近各层节点的信息,使得建立子树的效率得到大幅提高。最后通过实例验证了所提算法的有效性,为管理信息系统中层次分类树的建立提供了可行的解决途径。 相似文献
9.
针对现有远程教育系统智能化低、知识表达能力差、结构化不清晰等方面的问题,引进了基于扩展标记语言XML(extesiblemarkuplanguage)的表示方法,并通过分析指出基于XML的表示方法在远程教育系统中的巨大优势;给出了一个通用的远程教育系统的体系结构,并用形式化的语言描述了该系统,最后将该形式化的语言转换为XML语言. 相似文献
10.
学习型特征检测器利用神经网络来检测和匹配图像特征点,其网络参数通常通过优化低层视觉的匹配准确率而训练得到,然而在高级视觉任务中,低层图像配准率的提升未必能带来更佳性能。针对该问题,提出一种双损失误差策略下的强化学习方法,一方面,将学习不变特征变换(LIFT)所得到的特征点和描述符以概率形式表示,估算出图像间的相对位姿,并与真实位姿比较获得位姿误差。另一方面,利用匹配图像间极线约束的几何性质,估算出匹配特征点间描述子的误差。然后基于上述两种损失误差优化LIFT,最终学习得到神经网络参数。实验中使用H-Patches数据集和自制数据集,将图像输送到LIFT特征检测器和视觉管道中,以端到端的方式训练神经网络参数。实验结果表明,该算法显著提高了特征点的匹配精度。 相似文献