公开(公告)号：CN111291705B

公开(公告)日：2024-04-19

申请号：CN202010111738.0

申请日：2020-02-24

Applicant: 北京交通大学

Inventor： 滕竹 ,  田佳杰 ,  张宝鹏 ,  李芮 ,  李浥东

IPC: G06V40/10 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/084 ,  G06N3/094 ,  G06T7/38

Abstract: 本发明提供了一种跨多目标域行人重识别方法，首先使用分布对齐模型对源域、目标域的图片进行域对齐和场景对齐操作，从而使域对齐的图片和场景对齐的图片分布与目标域的图片分布一致，提高基于属性编码的行人重识别模型准确率；将域对齐图片的识别视为分类任务，将域对齐的图片结合对应的摄像头属性输入到基于属性编码的基于属性编码的行人重识别模型中，利用交叉熵损失优化模型参数，将场景对齐的识别视为度量任务，将场景对齐的图片结合摄像头属性输入到基于属性编码的基于属性编码的行人重识别模型中，利用难采样三元组损失优化模型参数。本发明中分布对齐模型和基于属性编码的基于属性编码的行人重识别模型单独训练，分别优化，进而提高行人重识别的准确率。

公开(公告)号：CN112801138B

公开(公告)日：2024-04-09

申请号：CN202110009492.0

申请日：2021-01-05

Applicant: 北京交通大学

Inventor： 李浥东 ,  郎丛妍 ,  孙鑫雨 ,  冯紫钰 ,  赵治坤 ,  汪敏

IPC: G06V40/20 ,  G06V40/10 ,  G06V10/774 ,  G06V10/82 ,  G06F16/951 ,  G06N3/02

Abstract: 本发明提供了一种基于人体拓扑结构对齐的多人姿态估计方法。该方法包括：用MS‑COCO和MPLL数据集为输入训练HRNet网络，得到XZZNet网络；利用HRNet网络对数据集的图像样本进行学习得到人体关键点图像；将SZF数据集输入到XZZNet网络中，生成候选的没有袖子的人体姿态关键点；对HRNet网络生成的人体关键点图和XZZNet生成的候选的人体关键点图进行图匹配，利用交叉熵损失函数微调XZZNet网络，得到优化的XZZNet网络；将SZF数据集输入到优化的XZZNet网络中，生成SZF数据集中的图像对应的关键点检测图像，根据关键点检测图像得到图像中包含人体的各个关键点姿态信息。本发明在没有标记或者稀疏标记的图像中可以显著提高目标域的性能，在无监督网络学习框架下可以准确地区分图像中人体的各个关键点。

公开(公告)号：CN111581467B

公开(公告)日：2024-04-02

申请号：CN202010411587.0

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 李浥东 ,  冯松鹤 ,  孙悦 ,  郎丛妍

IPC: G06F16/906 ,  G06N20/00

Abstract: 本发明提供了一种基于子空间表示和全局消歧方法的偏标记学习方法。该方法包括：构建特征矩阵和候选标记矩阵；基于构建特征矩阵和候选标记矩阵，构建特征子空间学习模型和标记全局消歧模型；综合特征子空间学习模型和标记全局消歧模型得到混合模型，采用交替优化方法求解混合模型，得到多分类模型、映射矩阵和偏标记置信度矩阵；根据多分类模型和映射矩阵对未见示例进行分类，计算出未见示例的多个标记值，将预测置信度最高的标记值对应的标记确定为未见示例所属的标记类别。本发明可同时利用特征子空间表示法和标记全局消歧方法，同时从特征和标记两方面解决偏标记学习问题，所获特征具有更强表征能力；生成的标记置信度矩阵有更好的消歧效果。

公开(公告)号：CN111553401B

公开(公告)日：2024-02-13

申请号：CN202010322193.8

申请日：2020-04-22

Applicant: 北京交通大学

Inventor： 丁丁 ,  畅振华 ,  李浥东 ,  夏有昊

IPC: G06F18/22

Abstract: 本发明提供了一种应用在云服务推荐中基于图模型的QoS预测方法。该方法包括：构建包含多源信息的全图模型，该全图模型包括代表用户和服务的节点，以及使用用户之间的相似度、服务之间的相似度和用户与服务之间的相似度作为权重的边；将全图模型切分成若干个子图模型；对全图模型与子图模型分别进行优化的概率矩阵分解算法得到全局和局部预测的QoS；对全局和局部预测的QoS进行自适应融合处理，得到最终预测的QoS。本发明的方法充分考虑多源信息对于QoS的影响，自适应地融合局部与全局的特征，以提高QoS的预测精度。能够准确地预测缺失的QoS值，进而将稀疏矩阵进行填充，提高了矩阵的稠密程度，一定程度上解决了云服务推荐领域QoS稀疏的问题。

公开(公告)号：CN111968123B

公开(公告)日：2024-02-02

申请号：CN202010885756.4

申请日：2020-08-28

Applicant: 北京交通大学

Inventor： 滕竹 ,  王晶粳 ,  张宝鹏 ,  李浥东

IPC: G06T7/10 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供了一种半监督视频目标分割方法，包括：S1对视频图像进行预处理，得到当前帧的图像和第一帧的图像，并给定第一帧的分割图；S2构建半监督视频目标分割网络模型，半监督视频目标分割网络模型包括短时网络模块、长时网络模块、注意力门网络模块和上采样模块；S3将前一帧的图像，前一帧的分割结果图和当前帧的图像输入短时网络模块，得到当前帧的粗糙分割图和相对变化信息；将当前帧的图像、第一帧的图像、第一帧的分割图以及当前帧的粗糙分割图输入至长时网络模块，得到绝对变化信息；将相对变化信息以及绝对变化信息输入至注意力门网络，得到分割结果，最后通过上采样模块得到分割结果图。本方法可以提高分割性能和分割的速度。

公开(公告)号：CN111339950B

公开(公告)日：2024-01-23

申请号：CN202010122264.X

申请日：2020-02-27

Applicant: 北京交通大学

Inventor： 滕竹 ,  段雅妮 ,  张宝鹏 ,  李芮 ,  李浥东

IPC: G06V20/10 ,  G06V10/25 ,  G06V10/764 ,  G06V10/766 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提供了一种遥感图像目标检测方法基于图像语义特征来设计锚框，借助特征的强大表达力来使锚框生成阶段既高效又精准。通过中心预测分支和形状预测分支预测锚框的位置及大小，所采用的瓶颈结构扩大特征相对于原图的感受野，增强小目标检测能力。本发明不仅解决了遥感图像目标多尺度问题，而且对小目标有较好的检测性能；本发明提供的方法基于图像语义特征来设计锚框，借助特征的强大表达力来使锚框生成阶段既高效又精准；通过中心预测分支和形状预测分支预测锚框的位置及大小，所采用的瓶颈结构扩大特征相对于原图的感受野，增强小目标检测能力；本发明中提供的模型提升了对多种数据集中多尺度目标的适应性，增强了泛化

公开(公告)号：CN117196058A

公开(公告)日：2023-12-08

申请号：CN202310485711.1

申请日：2023-04-28

Applicant: 北京交通大学

Inventor： 李浥东 ,  陈颢瑜 ,  陈乃月 ,  郎丛妍 ,  贾晓丰

IPC: G06N20/00 ,  G06F18/23 ,  G06F18/22 ,  G06F21/62

Abstract: 本发明提供的一种基于节点贡献聚类的公平联邦学习方法，首先根据联邦学习中每个客户端的实际贡献程度进行分组，并将贡献相似的客户端划分为同一组。在每一轮迭代中，首先在每个组的客户端之间进行组内聚合，然后将组内聚合获得的小组模型更新参数上传到服务器端，服务器端对不同组之间的模型进行全局聚合。经过一段时间的全局聚合，每个组基本可以获得其他组的训练信息。此时，可以将全局联邦学习过程划分为组，每个组可以训练自己的个性化组模型，使每个组都能获得与其自身贡献相匹配的公平回报。

公开(公告)号：CN112396027B

公开(公告)日：2023-09-19

申请号：CN202011384258.8

申请日：2020-12-01

Applicant: 北京交通大学

Inventor： 郎丛妍 ,  许喆铭 ,  李浥东 ,  魏莉莉 ,  汪敏 ,  梁俪倩 ,  李尊

IPC: G06V20/54 ,  G06V10/82 ,  G06V10/42 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供了一种基于图卷积神经网络的车辆重识别方法。包括：构建用于车辆重识别的网络模型，使用卷积神经网络提取待重识别的车辆图像的全局和局部特征，利用图卷积神经网络得到结构化特征，利用结构化特征计算网络模型的损失函数；根据损失函数训练网络模型，将待重识别的车辆图像和测试集的所有图像输入到训练好的网络模型中，分别得到待测图片和测试集的所有图像的图片特征，根据图片特征计算出待测图片和测试集的各个图像之间的相似性，根据相似性得到待重识别的车辆图像的重识别结果。本发明通过使用图卷积神经网络挖掘局部特征与局部特征、局部特征与全局特征之间的结构化信息，从而获得更优更全面的特征表达，提高了车辆重识别的精度。

公开(公告)号：CN116522184A

公开(公告)日：2023-08-01

申请号：CN202310321473.0

申请日：2023-03-29

Applicant: 北京交通大学

Inventor： 陈乃月 ,  蔡露鑫 ,  金兵伟 ,  李浥东 ,  孙永奇 ,  丁春涛

IPC: G06F18/2337 ,  G06F18/214 ,  G06N20/00 ,  H04L65/1066

Abstract: 本发明提供一种基于数据分布相似性模糊聚类的联邦学习方法及系统，属于联邦学习技术领域，广播所有集群模型；计算在各个集群模型的损失值，根据损失值，选择N个集群作为客户的关联集群，并且评估集群的重要性，其中N值为根据集群数量和客户数量事先确定好的一个参数；初始化客户端模型，进行本地训练；根据客户样本量和客户与集群的关联程度更新集群模型聚合权重，得到更新之后的集群模型。本发明通过将一个用户关联到多个集群，有效改善了由于多种数据混合分布的问题，可以让网络模型更好的收敛和泛化，并且拥有更优异的个性化能力。

公开(公告)号：CN116306910A

公开(公告)日：2023-06-23

申请号：CN202211089847.2

申请日：2022-09-07

Applicant: 北京交通大学

Inventor： 李浥东 ,  陈颢瑜 ,  陈乃月 ,  李强 ,  贾晓丰 ,  金一

IPC: G06N3/098 ,  H04L67/10 ,  G06F21/62 ,  H04L9/40

Abstract: 本发明提供了一种基于联邦节点贡献的公平性隐私计算方法。该方法包括：客户端使用本地数据集训练本地模型，服务器端额外收集根数据集以便对客户端的贡献进行评估；服务器计算每个客户端的贡献值，根据客户端的贡献值评估客户端的节点信誉，按照比例公平聚合各个客户端的参数更新；各个客户端根据自身的训练贡献从服务器端下载相应的全局模型作为计算回报，进行下一轮本地训练更新。本发明在层级上比较了参与端本地模型每一层与全局模型对应层之间的差异性，根据每个客户端的实际贡献为每个客户端分配与节点信誉相匹配的全局模型参数，能够促进联邦节点在全局聚合和计算回报过程中的公平性。