-
公开(公告)号：CN115424042A
公开(公告)日：2022-12-02
申请号：CN202210842886.9
申请日：2022-07-18
Applicant: 北京大学
Abstract: 本公开涉及一种基于层间特征相似性的网络稀疏化方法、装置、介质及设备，所述方法包括：采集并存储图像数据集，提取所述图像数据集中的样本；将所述图像数据集中的样本输入神经网络进行前向传播，在前向传播的过程中通过神经网络每一层对所述图像数据集中的样本进行特征提取并存储；计算神经网络不同层的特征之间的相似度；通过基于中心核对齐的层间相似性降低方法降低所述神经网络的层间相似性。本公开是首个通过降低网络层间相似性间接提升网络稀疏性的方法。该方法在神经网络预训练、神经网络剪枝、神经网络稀疏训练等领域进行了应用，并皆取得了性能的提升。由于该方法提升了网络的稀疏性，其促进了网络的加速与压缩。
-
公开(公告)号：CN113033616B
公开(公告)日：2022-12-02
申请号：CN202110230314.0
申请日：2021-03-02
Applicant: 北京大学
Abstract: 本发明公开了一种高质量视频重建方法、装置、设备及存储介质，所述方法包括提取参考视频流以及原始视频流的深度学习特征，得到参考特征流以及原始特征流；将所述参考特征流和原始特征流进行特征融合，得到融合特征流；根据所述融合特征流对待处理的低分辨率视频流进行视频重建，得到高质量的视频流。根据本公开实施例提供的高质量视频重建方法，可以对低分辨率的视频流进行视频重建，利用云端汇聚的低分辨率视频流以及深度学习特征，恢复出高质量的视频流。
-
公开(公告)号：CN112862073B
公开(公告)日：2022-11-18
申请号：CN202110150563.9
申请日：2021-02-03
Applicant: 北京大学
IPC: G06N3/04 , G06N3/08 , G06V10/82 , G06V10/764 , G06V10/44
Abstract: 本发明公开了一种压缩数据分析方法、装置、存储介质及终端，该方法包括：获取目标数据，并将所述目标数据进行压缩后生成压缩数据；将所述压缩数据输入预先训练的压缩数据分析模型中；其中，所述预先训练的压缩数据分析模型基于训练数据压缩后的压缩等级从选择性批归一化模块中选择不同的归一化模块和特征约束模块进行训练后生成；输出所述目标数据对应的分析结果。因此，采用本申请实施例，由于本申请利用神经网络结合选择性批归一化模块和特征约束模块来对压缩数据进行分析，从而提升了模型的分析性能，进一步提升了分析结果的准确度。
-
公开(公告)号：CN115048954A
公开(公告)日：2022-09-13
申请号：CN202210565522.0
申请日：2022-05-23
Applicant: 北京大学
Abstract: 本发明公开了一种仿视网膜的目标检测方法、装置、存储介质及终端，方法包括：获取目标脉冲阵列信号；目标脉冲阵列信号包括来自仿视网膜中央凹采样电路的第一脉冲阵列信号和来自仿视网膜外周采样电路的第二脉冲阵列信号；将第一脉冲阵列信号与第二脉冲阵列信号进行时空同步，得到待处理脉冲阵列信号；将待处理脉冲阵列信号输入预先训练的目标检测器中，输出待处理脉冲阵列信号对应的目标检测结果。由于本申请利用仿视网膜中央凹采样电路的高速视觉纹理成像的优势，并结合仿视网膜外周视觉采样电路的高时间分辨率、高动态范围、低功耗优势，从而可以解决传统相机在高速运动、过光照和低光照场景下难以高精度检测的问题，提升了极端场景的检测精度。
-
公开(公告)号：CN115019079A
公开(公告)日：2022-09-06
申请号：CN202110239799.X
申请日：2021-03-04
Applicant: 北京大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公布了一种用于图像识别的分布式概略优化加速深度学习训练的方法，设置多个计算节点用于分布式计算；在训练图像识别深度神经网络模型中的二阶矩阵计算时，采用块对角近似，并使用概略方法进行矩阵与向量乘积的分布式隐式计算；各个计算节点并行地将图片依次传入采用所述分布式概略优化加速深度学习训练的方法训练好的图像识别深度神经网络模型中，预测得到每个图片的输出向量，即图片属于各标签的概率，由此实现图像识别。本发明可以大幅度减少计算量，提高深度神经网络的训练速度，缩短训练时间，提升二阶算法相比一阶算法的效果。
-
Patent Agency Ranking
公开(公告)号：CN110427823B
公开(公告)日：2021-12-21
申请号：CN201910579928.2
申请日：2019-06-28
Applicant: 北京大学
Abstract: 本发明公开了一种基于视频帧与脉冲阵列信号的联合目标检测方法和装置，该方法包括：将视频帧和脉冲阵列信号作为目标检测的输入；将连续的脉冲阵列信号进行自适应划分；根据视频帧频率与脉冲阵列信号划分频率的关系，进行同步融合或异步融合检测；将视频帧与脉冲阵列信号以特征表达形式进行融合；输出检测结果。本发明可有效地利用脉冲阵列信号的高时间分辨率和高动态能力来提供传统相机的目标检测精度，尤其解决高速运动模糊、过曝光或低光照等场景的检测难题。在无人驾驶视觉检测与导航、无人机巡航与定位、机器人视觉导航和视频监控等涉及高速运动领域存在广泛应用潜力。
-
公开(公告)号：CN113554726A
公开(公告)日：2021-10-26
申请号：CN202110626842.8
申请日：2021-06-04
Applicant: 北京大学
IPC: G06T11/00
Abstract: 本发明公开了一种基于脉冲阵列的图像重构方法，包括：将待监测区域的脉冲阵列输入短时可塑性模型中，计算各像素位置的计算单元剩余量和单元连接概率；根据各像素位置的计算单元剩余量和单元连接概率反推出各像素位置的第一脉冲发放率和第二脉冲发放率；加权平均各像素位置对应的第一脉冲发放率和第二脉冲发放率，生成各像素位置的目标脉冲发放率；计算各像素位置连续两个脉冲发放时刻的差值，并基于各像素位置连续两个脉冲发放时刻的差值划分出监控区域的静止区域和运动区域；根据目标脉冲发放率计算静止区域的空间位置的像素值，并根据预设时间步长或目标脉冲发放率计算运动区域的空间位置的像素值，生成重构图像。采用本申请实施例，可以实现物体高速运动场景下的图像重构。
-
公开(公告)号：CN113112521A
公开(公告)日：2021-07-13
申请号：CN202110254930.X
申请日：2021-03-09
Applicant: 北京大学
Abstract: 本申请涉及运动检测技术领域，具体而言，本申请涉及一种基于脉冲阵列的运动检测方法。所述方法包括以下步骤：采集监测区域的时空信号生成时空脉冲阵列；将所述时空脉冲阵列输入脉冲神经网络中，所述脉冲神经网络中的脉冲神经元处理具有运动特征的时空脉冲序列并产生对应的脉冲；根据所述脉冲神经网络产生的所述脉冲获得不同空间位置的运动信息。本申请的方法利用高频率视网膜相机获得的脉冲阵列本身具有的时空特性，直接以视觉脉冲序列为输入，获取监测区域中存在的各种运动状态，获取各个运动状态对应的参数信息，输出的运动信息可用于物体跟踪及运动补偿等，从而更有利于后续基于脉冲信号的高速视觉对象的检测、识别及跟踪等高级视觉任务。
-
公开(公告)号：CN113095506A
公开(公告)日：2021-07-09
申请号：CN202110322362.2
申请日：2021-03-25
Applicant: 北京大学
Abstract: 本申请提供了一种基于端、边及云协同架构的机器学习方法及系统，提取输入图像的多个通用特征；传输多个通用特征；接收多个通用特征，并自适应选择机器学习任务对应的至少一个通用特征；根据至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型；训练后的机器学习模型根据输入图像得到机器学习任务的预测结果。本申请通过在端架构处提取可用于各种视觉任务的通用特征，只在边架构上传输通用特征而不需要传输端处采集的原图，最后在云架构处利用通用特征进行机器学习任务的训练。
-
公开(公告)号：CN113011469A
公开(公告)日：2021-06-22
申请号：CN202110217159.9
申请日：2021-02-26
Applicant: 北京大学
Abstract: 本申请涉及深度神经网络技术领域，具体而言，本申请涉及一种基于对抗互惠点学习的开集类别发掘训练方法及系统。所述方法包括以下步骤：基于已定义类别的样本集，分别构建判别器、生成器和分类器，其中，所述分类器包含基于深度卷积神经网络的特征提取器、互惠点集和自学习半径；所述生成器生成样本并输入所述分类器，所述分类器提取所述样本的深度特征并比较所述深度特征与所述互惠点集，以将所述样本分类为已知类，所述判别器判断所述样本的类别为已知样本；分别计算判别器损失、生成器损失和分类器损失并依次更新所述判别器、生成器和分类器。本申请的方法及系统能够更有效地处理开集识别的问题，进而解决真实场景下未预定义类别识别问题。
-
-
-
-
-
-
-
-
-
Search Results
229
records
(took 0.071 seconds)
