-
公开(公告)号：CN114386582B
公开(公告)日：2024-09-10
申请号：CN202210047220.4
申请日：2022-01-17
Applicant: 大连理工大学
IPC: G06N3/045 , G06N3/0475 , G06N3/0455 , G06N3/047 , G06N3/094 , G06N3/084 , G06F18/213
Abstract: 本发明属于人机交互技术领域，涉及人机交互中人体动作的预测，具体为一种基于对抗训练注意力机制的人体动作预测方法。本发明在原始Transformer模型的基础上，对Transformer内部注意力计算机理进行变换优化，设计了一种称为可变形的Transformer模型，用于提取人体运动的时间特征和空间特征，进而捕获长时范围内各个关节点之间的相互依赖关系，从而高效地预测长时范围内的人体动作。其次，本发明引入了对抗训练机制训练所提出的网络模型，将上述生成运动预测的过程作为生成器，并引入连续性判别器和真实性判别器来验证所生成序列的时间平滑性和连续性，以此来缓解首帧不连续问题。
-
公开(公告)号：CN114218715B
公开(公告)日：2024-09-17
申请号：CN202111574118.1
申请日：2021-12-21
Applicant: 大连理工大学
IPC: G06F30/17 , G06F30/27 , G06F18/23213 , G06N3/126 , G06F111/08
Abstract: 本发明公开一种基于多任务优化算法的机械臂结构设计方法，不同于传统多任务优化算法在全部任务中随机选择任务进行迁移的方式，而是根据任务表示特征的相似程度，将它们分为大小适中的小组，并在组内相似的任务间进行知识迁移。本发明增加有效知识迁移发生的概率，降低计算成本，更好地适用于任务规模较大的场景。在知识迁移的方式上，本发明在继承传统多任务优化算法中从最好的解决方案中进行知识迁移的策略基础上，引入从进步较快任务和任务更新轨迹信息中进行知识迁移的方式，并自适应地调整从这三种方式中迁移知识量的大小，充分发掘同组内相似任务之间有效知识的迁移潜力，促使机械臂在各个任务上得到收敛速度更快、表现更好的解决方案。
-
公开(公告)号：CN114359972A
公开(公告)日：2022-04-15
申请号：CN202210046395.3
申请日：2022-01-13
Applicant: 大连理工大学
Abstract: 本发明属于深度学习、目标检测领域，涉及一种基于注意力机制的遮挡行人检测方法。通过本发明构建一个新型的基于注意力机制与遮挡处理的行人检测器SKGNet，将轻量级的选择性核与空间分组增强注意力模块SKG嵌入到ResNet‑101网络的标准残差块中，构建出高效的特征提取骨干网络SKGNet‑101，有助于网络提取到更关键的特征信息，并提高特征图的表达能力。并且针对拥挤场景中的行人遮挡情况，提出了一个掩膜调制模块，以提高遮挡行人的检测性能。通过掩膜模块调制后的特征可以帮助后续的分类网络以更高的置信度检测部分或严重遮挡的行人，否则可能会被忽略而检测失败。
-
Patent Agency Ranking
公开(公告)号：CN114359972B
公开(公告)日：2024-12-03
申请号：CN202210046395.3
申请日：2022-01-13
Applicant: 大连理工大学
Abstract: 本发明属于深度学习、目标检测领域，涉及一种基于注意力机制的遮挡行人检测方法。通过本发明构建一个新型的基于注意力机制与遮挡处理的行人检测器SKGNet，将轻量级的选择性核与空间分组增强注意力模块SKG嵌入到ResNet‑101网络的标准残差块中，构建出高效的特征提取骨干网络SKGNet‑101，有助于网络提取到更关键的特征信息，并提高特征图的表达能力。并且针对拥挤场景中的行人遮挡情况，提出了一个掩膜调制模块，以提高遮挡行人的检测性能。通过掩膜模块调制后的特征可以帮助后续的分类网络以更高的置信度检测部分或严重遮挡的行人，否则可能会被忽略而检测失败。
-
公开(公告)号：CN112364757B
公开(公告)日：2022-10-21
申请号：CN202011242807.8
申请日：2020-11-09
Applicant: 大连理工大学
IPC: G06V40/20 , G06V20/40 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉领域，涉及视频中的人体动作识别，用于定位和分类视频中人体行为动作，具体为一种基于时空注意力机制的人体动作识别方法。本发明所提供的基于空间变换网络的注意力机制，获取与人体运动相关的区域，从而捕获动作之间的细节变化；本发明所提供的局部区域与全局特征进行融合的方法，加强了人体动作的表示；本发明所提供的全局特征描述符，将来自空间信息、时间信息以及时空交互信息进行聚合来区分人体行为动作，提高识别效果。
-
公开(公告)号：CN112364757A
公开(公告)日：2021-02-12
申请号：CN202011242807.8
申请日：2020-11-09
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉领域，涉及视频中的人体动作识别，用于定位和分类视频中人体行为动作，具体为一种基于时空注意力机制的人体动作识别方法。本发明所提供的基于空间变换网络的注意力机制，获取与人体运动相关的区域，从而捕获动作之间的细节变化；本发明所提供的局部区域与全局特征进行融合的方法，加强了人体动作的表示；本发明所提供的全局特征描述符，将来自空间信息、时间信息以及时空交互信息进行聚合来区分人体行为动作，提高识别效果。
-
公开(公告)号：CN114386582A
公开(公告)日：2022-04-22
申请号：CN202210047220.4
申请日：2022-01-17
Applicant: 大连理工大学
Abstract: 本发明属于人机交互技术领域，涉及人机交互中人体动作的预测，具体为一种基于对抗训练注意力机制的人体动作预测方法。本发明在原始Transformer模型的基础上，对Transformer内部注意力计算机理进行变换优化，设计了一种称为可变形的Transformer模型，用于提取人体运动的时间特征和空间特征，进而捕获长时范围内各个关节点之间的相互依赖关系，从而高效地预测长时范围内的人体动作。其次，本发明引入了对抗训练机制训练所提出的网络模型，将上述生成运动预测的过程作为生成器，并引入连续性判别器和真实性判别器来验证所生成序列的时间平滑性和连续性，以此来缓解首帧不连续问题。
-
公开(公告)号：CN114218715A
公开(公告)日：2022-03-22
申请号：CN202111574118.1
申请日：2021-12-21
Applicant: 大连理工大学
IPC: G06F30/17 , G06F30/27 , G06K9/62 , G06N3/12 , G06F111/08
Abstract: 本发明公开一种基于多任务优化算法的机械臂结构设计方法，不同于传统多任务优化算法在全部任务中随机选择任务进行迁移的方式，而是根据任务表示特征的相似程度，将它们分为大小适中的小组，并在组内相似的任务间进行知识迁移。本发明增加有效知识迁移发生的概率，降低计算成本，更好地适用于任务规模较大的场景。在知识迁移的方式上，本发明在继承传统多任务优化算法中从最好的解决方案中进行知识迁移的策略基础上，引入从进步较快任务和任务更新轨迹信息中进行知识迁移的方式，并自适应地调整从这三种方式中迁移知识量的大小，充分发掘同组内相似任务之间有效知识的迁移潜力，促使机械臂在各个任务上得到收敛速度更快、表现更好的解决方案。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
