-
公开(公告)号：CN115208755A
公开(公告)日：2022-10-18
申请号：CN202210821641.8
申请日：2022-07-13
Applicant: 北京交通大学
IPC: H04L41/0803 , H04L67/60 , H04L67/12 , H04L67/10 , G06K9/62
Abstract: 本发明提供一种面向物联网设备资源友好的特征提取器部署方法及系统，属于物联网技术领域，调取存储的数据集信息和特征提取器生成算法生成特征提取器；生成了单容量非冗余多功能特征提取器；将生成的单容量多功能特征提取器发送至物联网设备；当物联网设备收集到数据进行预处理数据，根据其当前可用资源选择一个特征提取器提取数据的主成分特征，然后将提取的主成分特征数据上传至边缘服务器。本发明减少物联网设备存储资源消耗，提高特征提取器切换效率；去除了冗余特征提取器，并以参数共享的方式将非冗余特征提取器嵌套在一起，减少了部署多个特征提取器消耗的存储资源；减少了无效的特征提取器切换，提高了特征提取器切换效率。
-
公开(公告)号：CN115049786A
公开(公告)日：2022-09-13
申请号：CN202210689275.5
申请日：2022-06-17
Applicant: 北京交通大学
Abstract: 本发明提供任务导向的点云数据下采样方法及系统，属于点云数据处理技术领域，对变换器网络中资源密集型的结构进行调整，去除位置嵌入、简化输入数据嵌入层结构，删除自注意力机制的映射矩阵操作，在前馈神经网络层引入扩缩策略；基于采样损失函数，扩大下采样点云的覆盖范围和重点区域的关注能力，促进生成点云为原始点云的真子集；将下采样模块与任务网络相结合，利用采样损失和任务损失共同更新下采样网络的权重参数。本发明降低了对计算和存储资源的消耗；设计采样损失函数，促使获得点云分布更加均匀、关键点覆盖更加全面的真子集点云数据；将通用下采样模块与三维分类任务网络相结合，实现任务网络的性能最优化和资源开销最小化的有效权衡。
-
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：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：CN112087442A
公开(公告)日：2020-12-15
申请号：CN202010916431.8
申请日：2020-09-03
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于注意力机制的时序相关网络入侵检测方法。该方法包括：利用入侵检测数据集对SSAE网络进行训练，得到训练好的待分类的网络流量数据，对待分类的网络流量数据经过独热编码和标准化处理，得到预处理后的网络流量数据；将预处理后的网络流量数据输入到训练好的叠层稀疏自编码器SSAE网络的基于注意力机制的分类器，分类器对待分类的网络流量数据进行分类处理，得到待分类的网络流量数据的网络入侵检测结果。本发明设计了加入了注意力机制的双层Bi‑GRU网络结构作为分类器，具有较高的分类准确率与较低的误报率，同时大大缩短了模型的训练与测试时间。
-
公开(公告)号：CN111581469A
公开(公告)日：2020-08-25
申请号：CN202010412162.1
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种基于多子空间表示的偏多标记学习方法。该方法包括利用真实标记矩阵构建标记子空间，利用特征映射矩阵构建特征子空间，通过标记子空间和特征子空间学习得到基于多子空间表示的偏多标记学习模型；对基于多子空间表示的偏多标记学习模型进行交替优化训练学习，求解基于多子空间表示的偏多标记学习模型，得到最优的预测模型；将未知样本输入到最优的预测模型，最优的预测模型输出未知样本的标记信息。本发明解决了特征存在噪声和冗余标记的问题，使用映射矩阵将特征空间映射到子空间，减少特征噪声对预测模型的影响；使用矩阵分解技术将标记空间降维到标记子空间，使用图拉普拉斯约束标记子空间，消除冗余标记噪声对预测模型的影响。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.036 seconds)
