-
公开(公告)号：CN109241816A
公开(公告)日：2019-01-18
申请号：CN201810705733.3
申请日：2018-07-02
Applicant: 北京交通大学
Abstract: 本发明公开一种基于标签优化的图像再识别损失函数确定方法，包括获取原始多张有标签的图片，并通过生成对抗网络生成多张没有标签的图片；对每张有标签的图片和每张没有标签的图片进行特征提取；计算多个类的所述多张有标签的图片的类中心和所述多张没有标签的图片的多个簇及每个簇的簇中心；计算所述簇中心和每个所述类中心的欧式距离；根据所述欧式距离计算每个簇到所述多个类的损失函数的概率系数，得到损失函数，本发明还公开了一种基于标签优化的图像再识别系统，解决有标签的图片不多时易出现的过拟合现象，提高再识别准确度。
-
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
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：CN114140826A
公开(公告)日：2022-03-04
申请号：CN202111468443.X
申请日：2021-12-03
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法，包括如下步骤：步骤1：对数据进行预处理；步骤2：通过编码器提取样本特征，基于特征聚类生成伪标签；步骤3：基于注意力模块分离Feature Map；步骤4：向前传播得到目标和相机分类结果；步骤5：计算损失函数；步骤6：对模型进行优化计算；步骤7：得到测试模型的效果；步骤8：得到无监督目标重识别的解决方案；本申请相比于现有的消除相机影响的无监督目标重识别方法，用注意力模块直接分离相机特征更加直接，比二阶段方法更加简单；基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。
-
公开(公告)号：CN114140469A
公开(公告)日：2022-03-04
申请号：CN202111462219.X
申请日：2021-12-02
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多层注意力的深度分层图像语义分割方法。该方法包括：构建图像语义分割模型，对训练图像进行预处理，得到包括训练图像的特征图的分割图像；通过图像语义分割模型使用多个不同大小的池化核对特征图进行池化处理，使用注意力函数对每一池化核层处理后得到的特征图进行注意力的计算，利用添加权重的交叉熵损失函数计算损失，使用损失进行梯度反向传播，得到训练好的图像语义分割模型；利用训练好的图像语义分割模型进行待分割的图像的语义分割处理。本发明图像语义分割模型在分层网络中添加了注意力机制，获得了全局的上下文信息，抑制无用的噪声。使用加权的交叉熵损失函数，使每个神经元获得到全局的上下文信息。
-
公开(公告)号：CN112116626A
公开(公告)日：2020-12-22
申请号：CN202010773674.0
申请日：2020-08-04
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种基于柔性卷积的单目标跟踪方法，构建柔性卷积网络模型，所述柔性卷积网络模型包括共享层和特定域层，利用数据集对所述柔性卷积网络模型进行训练，所述方法包括：S1、获取原始视频序列，进行预处理；S2、将预处理后的视频序列输入柔性卷积网络模型，所述共享层通过卷积操作获取目标的共享特征，将共享特征输入特定域层进行目标与背景的二分类，然后再进行柔性RoI池化选择候选目标区域，并利用损失函数提高候选目标区域的精度，从而实现单目标跟踪。本发明实施例利用了基于柔性卷积的单目标跟踪方法，有效的改善了单目标跟踪中物体容易发生形变的问题，同时RoI池化提高候选目标区域的精度。
-
Patent Agency Ranking
公开(公告)号：CN111582506A
公开(公告)日：2020-08-25
申请号：CN202010411579.6
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06N20/00
Abstract: 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括：构建特征信息矩阵，利用特征信息矩阵构建不精确标记矩阵；利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵，利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型；基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型，采用块坐标下降法迭代更新方法训练偏多标记学习模型，得到训练好的预测模型；将未见示例输入到训练好的预测模型，得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性，去除有噪声的标签，通过低秩表示来训练分类器，从而提高算法的性能。
-
公开(公告)号：CN111581466A
公开(公告)日：2020-08-25
申请号：CN202010411580.9
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种特征信息存在噪声的偏多标记学习方法。该方法包括：构建包含噪声的观测的特征信息矩阵，构建标签置信度矩阵；利用低秩稀疏表示模型将特征信息矩阵分解为稀疏噪声矩阵和正确的特征信息矩阵，利用稀疏噪声矩阵、正确的特征信息矩阵和观测的特征信息矩阵构建多标记预测模型；利用标签置信度矩阵对多标记预测模型进行优化，得到构建嵌入了特征信息和标签置信度的混合模型，对混合模型进行训练得到偏多标签学习模型；利用偏多标签学习模型对未见示例预测出未见示例对应的标签。本发明的方法利用低秩和稀疏分解模型准确地恢复正确的特征信息，有效地减少噪声特征信息的影响；将样本相似性和标签置信度结合，进一步提升标签置信度的准确性。
-
公开(公告)号：CN105912524A
公开(公告)日：2016-08-31
申请号：CN201610218407.0
申请日：2016-04-09
Applicant: 北京交通大学 , 中国移动通信集团设计院有限公司
Abstract: 本发明实施例提供了一种基于低秩矩阵分解的文章话题关键词提取方法和装置。该方法主要包括：使用将词表征为实数值向量的工具训练数据预处理后的文章文本，得到词向量化文件，使用基于文本图模型的关键词抽取算法抽取数据预处理后的文章文本中的特定话题下每个事件的关键词，根据抽取的关键词查询词向量化文件，建立特定话题下的关键词矩阵；采用增广拉格朗日乘子算法求解关键词矩阵的低秩分解问题，得到关键词低秩矩阵，最终生成所述数据预处理后的文章文本中所述特定话题下的关键词。本发明采用低秩矩阵分解的方法生成微博等文章话题的关键词，有效的解决了微博等文章话题关键词的稀疏性问题，大大降低了非关键词数据噪声的干扰。
-
公开(公告)号：CN119047530A
公开(公告)日：2024-11-29
申请号：CN202410944113.0
申请日：2024-07-15
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于直接反馈对齐机制的图神经网络优化方法。该方法包括：获取初始图数据，将初始图数据输入到待优化的图神经网络模型中，通过前向传播算法得到节点的预测值；对于有标签节点，根据其预测值与真值得到每一个有标签节点的误差；利用伪误差生成器为每个无标签节点生成伪误差；根据有标签节点的误差以及筛选出的伪标签节点的伪误差应用反馈对齐机制同步更新图神经网络模型的每一层网络的参数；根据损失值是否收敛判断图神经网络参数是否收敛；若图神经网络参数收敛，则训练完成，输出优化后的图神经网络模型。本发明方法同时能够处理半监督学习环境中的标签稀缺问题。可以应用于引文网络分类，互联网网页分类等图数据挖掘任务中。
-
公开(公告)号：CN114140826B
公开(公告)日：2024-05-31
申请号：CN202111468443.X
申请日：2021-12-03
Applicant: 北京交通大学
IPC: G06V40/10 , G06V10/32 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法，包括如下步骤：步骤1：对数据进行预处理；步骤2：通过编码器提取样本特征，基于特征聚类生成伪标签；步骤3：基于注意力模块分离Feature Map；步骤4：向前传播得到目标和相机分类结果；步骤5：计算损失函数；步骤6：对模型进行优化计算；步骤7：得到测试模型的效果；步骤8：得到无监督目标重识别的解决方案；本申请相比于现有的消除相机影响的无监督目标重识别方法，用注意力模块直接分离相机特征更加直接，比二阶段方法更加简单；基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.241 seconds)
