-
公开(公告)号：CN114913495A
公开(公告)日：2022-08-16
申请号：CN202210485437.3
申请日：2022-05-06
Applicant: 北京交通大学
Abstract: 本发明提供一种基于协作图融合的协同目标检测方法及系统，属于自动驾驶技术领域，获取待检测目标的点云数据，生成二维鸟瞰图和候选区域框；基于粗粒度的方法选取候选区域框中心车辆的检测盲区，根据检测盲区筛选近邻车辆的二维鸟瞰图局部特征；基于细粒度的方法将近邻车辆的二维鸟瞰图局部特征使用协作图融合，得到中心车辆新的协作特征；基于中心车辆新的协作特征，对每个候选区域做分类和回归预测，经过阈值筛选，得到最终的检测结果。本发明从粗粒度和细粒度两个角度考虑局部特征的协同；通过传递局部特征，协同检测可以减缓计算资源的压力，更加精准地对中心车辆盲区进行协同，有效提升协同检测性能和检测精度的同时，减少了通信资源的开销。
-
公开(公告)号：CN114841307A
公开(公告)日：2022-08-02
申请号：CN202210197861.8
申请日：2022-03-01
Applicant: 北京交通大学
Abstract: 本发明提供了一种二值化目标检测神经网络的训练方法。该方法包括：构建二值化目标检测神经网络，二值化目标检测神经网络包括骨干网络、共享特征池网络、分类解耦网络和定位解耦网络；对二值化目标检测神经网络进行基于多维度联合匹配的目标检测任务一致性训练；对二值化目标检测神经网络进行分类和定位任务的同步优化。本发明通过改进的锚框Anchor采样策略和基于关联性约束的新型损失函数算法解决二值化目标检测神经网络中Anchor采样的任务不一致性问题，并通过带有动态可学习权重的目标损失函数对二值化目标检测神经网络进行分类和定位任务的同步优化，能够提升检测框的质量、改善二值化目标检测神经网络的检测精准度和算法的鲁棒性。
-
公开(公告)号：CN112115326B
公开(公告)日：2022-07-29
申请号：CN202010836902.4
申请日：2020-08-19
Applicant: 北京交通大学
IPC: G06F16/906 , G06F16/951 , G06F21/57 , G06N20/00
Abstract: 本发明提供了一种以太坊智能合约的多标签分类和漏洞检测方法。该方法包括：利用已验证的智能合约构成样本数据集，对样本数据集中的样本进行特征提取，使用特征向量来表示样本；基于各个样本的特征向量训练各种多标签分类模型，对各个多标签分类模型的分类效果进行评价，选取分类效果最好的多标签分类模型；将待分类的以太坊智能合约输入到选取的多标签分类模型中，该多标签分类模型输出所述待分类的以太坊智能合约的漏洞检测结果。本发明的方法通过提取静态特征和利用机器学习算法，实现了以太坊智能合约漏洞自动且高效地检测，本方法更适用于大批量合约漏洞检测的应用场景。
-
公开(公告)号：CN114595816A
公开(公告)日：2022-06-07
申请号：CN202210176214.9
申请日：2022-02-24
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于边缘计算的神经网络模型训练方法。该方法包括：边缘端利用基于非学习层的深度学习模型对收集到的视频监控数据在视频分析模型上进行训练，得到模型参数，并将模型参数下发到终端设备上；终端设备基于边缘端分发的模型参数，利用非学习层的深度学习模型终端构建出视频推理模型，利用视频推理模型对采集的视频监控数据进行实时分析，将视频监控数据和分析结果上传给边缘端。本发明提出在基于边缘计算和深度学习的视频分析任务中，使用非学习层的方式对模型进行改进，优化边缘端和终端设备间的数据传输，减少通信时延，同时保持高精度的实时视频分析能力。
-
公开(公告)号：CN114595815A
公开(公告)日：2022-06-07
申请号：CN202210157628.7
申请日：2022-02-21
Applicant: 北京交通大学
Abstract: 本发明提供了一种面向传输友好的云‑端协作训练神经网络模型方法。该方法包括：云服务器基于种子卷积核利用卷积核生成函数生成卷积神经网络模型；通过数据集对卷积神经网络模型进行训练，对卷积神经网络模型的种子卷积核和生成卷积核进行参数更新，得到训练好的卷积神经网络模型；云服务器将训练好的卷积神经网络模型的种子卷积核和随机数种子发送至终端设备，终端设备根据种子卷积核和随机数种子利用卷积核生成函数生成新的卷积核，并组合成卷积神经网络模型。本发明方法通过设计包含少量可学习参数的神经网络模型，减少云服务器需要发送至终端设备的模型参数量，来减轻网络带宽压力。
-
Patent Agency Ranking
公开(公告)号：CN114564742A
公开(公告)日：2022-05-31
申请号：CN202210150584.5
申请日：2022-02-18
Applicant: 北京交通大学
IPC: G06F21/62 , G06N20/00 , G06F16/901 , G06F16/9536
Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。
-
公开(公告)号：CN114529762A
公开(公告)日：2022-05-24
申请号：CN202210118942.4
申请日：2022-02-08
Applicant: 北京交通大学
IPC: G06V10/764 , G06K9/62 , G06V10/80
Abstract: 本发明提供了一种基于DS证据理论融合的社交网络异常用户检测方法。该方法包括：构建并训练卷积神经网络分类模型和K近邻算法分类模型，得到两种分类模型对异常用户检测的准确率；分别使用两种分类模型对被检测用户的博文文本进行识别，得到两种分类模型对被检测用户的检测结果；通过D‑S融合规则基于两种分类模型对异常用户检测的准确率，对卷积神经网络分类模型和所述K近邻算法分类模型对被检测用户的检测结果进行融合，获取被检测用户的异常用户检测结果。本发明通过结合被检测内容在每种分类器上的识别结果和分类准确率，通过DS证据理论融合规则对分类器融合后对被测用户进行识别，均衡有效的实现了对微博异常用户的检测。
-
公开(公告)号：CN113920302A
公开(公告)日：2022-01-11
申请号：CN202111037829.5
申请日：2021-09-06
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于交叉注意力机制的多头弱监督目标检测方法，包括：获取图像，对图像进行处理，将处理后的图像分成训练集和测试集；定义类原型特征，构建包含类原型特征的基于交叉注意力机制的弱监督目标检测网络WCAN模型；采用训练数据集对WCAN模型进行训练；基于训练好的WCAN模型，对测试集图像进行目标检测。本方法在只有类别标签的条件下，能够更全面地、充分地感知位置和类别信息，实现更准确高效的目标检测。
-
公开(公告)号：CN113762489A
公开(公告)日：2021-12-07
申请号：CN202110923119.6
申请日：2021-08-12
Applicant: 北京交通大学
Abstract: 本发明提供了一种对深度卷积神经网络进行多位宽量化的方法。该方法包括：建立权重共享的多位宽感知量化模型，对多位宽感知量化模型进行多位宽感知的量化超网训练，根据需求设置目标约束，根据所述目标约束对训练好的多位宽感知量化模型进行混合精度搜索，得到满足约束的子网络，利用各个满足约束的子网络组成多位宽量化的深度卷积神经网络。本发明实施例通过最小‑随机‑最大位宽协同训练以及自适应标签软化解决不同比特子网下竞争训练的问题，实现不同平均比特位宽约束下更高的模型精度。
-
公开(公告)号：CN111679577B
公开(公告)日：2021-11-05
申请号：CN202010461495.3
申请日：2020-05-27
Applicant: 北京交通大学
IPC: G05B13/04
Abstract: 本发明提供一种高速列车的速度跟踪控制方法和自动驾驶控制系统，其跟踪控制方法设计了一种完全不依赖列车控制系统内部动态特性的ATO控制算法，基于积分强化学习技术通过分析利用列车运行状态数据来求解最优列车速度跟踪控制策略，并根据此进行列车速度跟踪控制，解决由于列车动力学特性的不确定性导致的控制性能下降问题，并且保证列车控制输入被约束在预设值内从而避免执行器饱和现象。自动驾驶控制系统在跟踪控制方法的作用下控制输入被约束在预设值以内，从而避免了执行器饱和，并且能控制列车按照给定的目标速度‑距离曲线行车，实现高速列车自动驾驶。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.051 seconds)
