-
公开(公告)号：CN109977113A
公开(公告)日：2019-07-05
申请号：CN201910070748.1
申请日：2019-01-25
Applicant: 北京工业大学
Abstract: 本发明公开一种用于医疗影像数据的基于布隆过滤器的HBase多级索引设计方法，采用为每个随机函数都单独分配一组位向量的方式减小了布隆过滤器的假阳性误判率，并且将其作为判断待检索数据是否在集合中的第一步。之后对现有的HBase二级索引提出改进方法，将减少数据的网络IO次数作为主要优化点，独特的行键设计保证了数据表和索引表能够分布在同一个Region上，并且设计了一种抽样散列法解决了Region的写热点问题，从而即利用了负载均衡的特性，又在一定程度上加快了检索效率。
-
公开(公告)号：CN109816010A
公开(公告)日：2019-05-28
申请号：CN201910052118.1
申请日：2019-01-21
Applicant: 北京工业大学
Abstract: 本发明公开一种用于航班延误预测的基于选择性集成的CART增量学习分类方法。针对航班延误预测模型面对新的航班数据不能有效更新模型问题，以及集成分类器规模庞大影响预测性能的弊端。将CART决策树算法与Learn++增量学习框架结合，提出了I-CART方法，实现了对于新数据的增量学习，高效更新预测模型；采用kappa系数作为基分类器投票权重，进一步降低分类错误率；探究基分类器间差异性与准确率关系，设计了两种针对集成分类器的选择方案VS(纵向划线法)与HS(横向划线法)，减小集成分类器规模。本发明能够提高航班延误预测模型对于新数据的学习效率及分类性能，提出的选择性集成方案能显著减小最终集成分类器的规模，提高航班延误预测分类器性能。
-
公开(公告)号：CN109800437A
公开(公告)日：2019-05-24
申请号：CN201910099671.0
申请日：2019-01-31
Applicant: 北京工业大学
IPC: G06F17/27
Abstract: 一种基于特征融合的命名实体识别方法属于计算机领域，通过两个方面来提取和融合不同粒度的文本特征，概念特征和非概念词特征，从而来提高命名实体识别的准确率并降低计算量。方法包括：数据预处理模块、特征构建模块、训练命名实体网络模型模块和命名实体分类器模块，其中特征模块包括语义特征提取、词特征提取、字符特征提取、特征融合四个子模块。在本方法中结合神经网络模型LSTM(Long Short-Term Memory)或GRU(Gated Recurrent Unit)的时序记忆特点来考虑命名实体任务的上下文信息，最后使用softmax预测实体类别标签。在模型构建过程中，可以利用稀疏数据作为训练集并对LSTM和GRU两种神经网络模型进行对比，确保本发明在实体识别任务上能取得令人满意的效果。
-
公开(公告)号：CN114387623B
公开(公告)日：2024-05-31
申请号：CN202210052862.3
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06V40/10 , G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于多粒度块特征的无监督行人重识别方法，用于解决无监督行人重识别精度不高，行人特征表示辨别力不强的问题，提升了模型的可扩展性。首先引入了多粒度块特征提取模块，使得模型在能获取数据集公共的细粒度判别信息的同时能够关注到无标签数据集特有的较大粒度的特征；然后使用单粒度实例判别性学习模块挖掘不同单一粒度的实例级特征；在此基础上，进一步使用多粒度实例判别性学习模块获得更具有判别力的多粒度全局特征表示。本发明能够在无标签的情况下获得判别力较强的行人特征，从而保证较好的识别效果。
-
公开(公告)号：CN114550252A
公开(公告)日：2022-05-27
申请号：CN202210153141.1
申请日：2022-02-18
Applicant: 北京工业大学
Abstract: 一种基于注意力机制的人脸识别方法，属于计算机软件领域。针对现有的主流的人脸识别方法参数量大、资源占用多、运行效率较低的问题，首先构建了一个低参数量的卷积神经网络来保证保证计算过程的高效和低资源消耗。然后加入注意力机制捕获提取其中的跨通道信息，以优化卷积神经网络的整体性能。同时，注意力的引入并不增添多少额外的性能损失和资源消耗。本发明可以在保证高效、快速的进行人脸特征提取的基础上，进一步提升人脸识别的准确率，提升整体效率。
-
Patent Agency Ranking
公开(公告)号：CN114418849A
公开(公告)日：2022-04-29
申请号：CN202210052778.1
申请日：2022-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于实例空间特征调制和反馈机制的图像超分辨率重构方法，用于解决将低分辨率图像重构成高分辨率图像的问题。首先通过实例空间特征调制器提取低分辨率图像的实例空间特征，并基于提取的特征对低分辨率图像的超分辨率重构特征进行实例空间特征特征，然后将调制后的超分辨率重构特征输入包含投影模块的反馈重构子网进行循环重构，经多次的重构迭代优化后，得到最终的超分辨率重构结果。在超分辨率重构特征中引入实例空间特征并使用循环神经网络进行多次重构迭代优化，不仅会更好地重构低分辨率图像，而且在图像实例的纹理信息方面效果显著，大大地提升了图像重构的效果。
-
公开(公告)号：CN114266276A
公开(公告)日：2022-04-01
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
Abstract: 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称“MCA‑EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。
-
公开(公告)号：CN108154150B
公开(公告)日：2021-07-23
申请号：CN201711369001.3
申请日：2017-12-18
Applicant: 北京工业大学
Abstract: 本发明公开一种基于背景先验的显著性检测方法，首先将彩色图像及深度图像作为输入，然后通过预处理操作对输入的图像进行超像素分割及深度图质量评估，然后基于深度选择性差异和背景先验，计算每个超像素区域的初始显著值，最后通过代价函数的最小化对初始显著图进行优化，从而得到最终的显著性检测结果。应用本发明，不仅解决了传统的基于彩色图像的显著性检测方法无法检测到与背景具有相似视觉特征物体的问题，还解决了仅仅依靠深度信息进行显著性检测时，无法忽略底部背景区域而导致的误检问题。本发明适用于同时具有彩色图像及深度图像时的显著性检测，总体效果良好，能有效地检测出显著物体，准确率较高。
-
公开(公告)号：CN107480646B
公开(公告)日：2020-09-25
申请号：CN201710722400.7
申请日：2017-08-22
Applicant: 北京工业大学
Abstract: 本发明公开一种基于双目视觉的车载视频异常运动检测方法,根据双目图像中特征点的真实距离，将特征点划分为多层，并基于每层特征点运动模型的不同，进一步将每层特征点分为不同集合，对每个运动模型对应的特征点集合进行聚类，从而得到一系列待检测的异常运动区域，根据每个区域的异常运动参数：光流幅值、光流方向、真实距离以及所属车道线，通过建立的异常运动检测模型，计算每个待检测区域的异常性值，从而得到图像中的异常运动区域。本发明提供的基于双目视觉的车载视频异常运动检测方法能有效地检测出车载视频中的异常运动区域，以及该异常运动区域对自车的威胁大小。
-
公开(公告)号：CN106991669B
公开(公告)日：2019-09-27
申请号：CN201710150961.4
申请日：2017-03-14
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于深度选择性差异的显著性检测方法。该方法首先获取深度图像作为输入，然后对每一张深度图像进行平滑处理，接着计算每一个分割区域的选择性差异值，最后依据中心偏好优化初始显著图，从而得到最终的显著性检测结果。应用本发明，不仅解决了单纯基于彩色图无法检测到与背景具有相似视觉特征物体的问题，还解决了基于深度图像忽略底部背景区域从而导致误检的问题。本发明适用于深度图像的显著性检测，计算复杂度较低，检测结果准确。本发明在图像处理和计算机视觉领域有着广泛的应用。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.024 seconds)
