-
公开(公告)号：CN119942538A
公开(公告)日：2025-05-06
申请号：CN202510013231.4
申请日：2025-01-06
Applicant: 北京邮电大学
IPC: G06V20/69 , G06V10/764 , G06V10/762 , G06V10/82 , G06N3/084 , G06N3/0895
Abstract: 本发明提供了基于多点标注的病理图像弱监督细胞核分割方法。所述方法包括：准备待标注病理图像数据集；邀请专家标注所有细胞核的中心点、细胞核边界上距离中心点距离的最近点和最远点；根据专家的标注和病理图像细胞核的形状和颜色等先验知识自动生成不同类型的标签(包括但不限于置信度高但不完全标注的标签、完全标注但包含噪声的标签、超像素标签)；利用局部一致性和全局一致性的策略训练模型；对待诊断的图像进行预测及后处理获得细胞核分割的结果。该发明适用于多种器官下的多种形态的细胞核分割任务，在细胞核分割领域具有便捷高效、精度高、适用范围广等优点。
-
公开(公告)号：CN119941790A
公开(公告)日：2025-05-06
申请号：CN202510001144.7
申请日：2025-01-02
Applicant: 北京邮电大学
Abstract: 本发明提供了一种基于虚幻引擎的多层次语义交互式跨模态跟踪方法。所述方法包括：使用虚幻引擎5构建虚拟仿真世界；构建行人和车辆虚拟多目标跟踪数据；构造文本‑轨迹匹配对生成多模态跟踪数据；构建逐层融合多模态语义特征的多目标跟踪模型；利用文本特征增强感知查询特征；将解码感知特征利用线性层映射到语义空间，并与编码的文本特征计算相似度；利用感知查询结果更新目标轨迹信息；本发明不仅解决了轨迹语义数据集缺失的问题，还通过逐层语义交互模块结合CLIP的跨模态对齐能力，显著提高了模型在复杂动态环境中的语义目标跟踪的准确性和召回率。
-
公开(公告)号：CN113435234B
公开(公告)日：2024-01-23
申请号：CN202110019216.2
申请日：2021-03-25
Applicant: 北京邮电大学
IPC: G06F18/10 , G06F18/213 , G06F18/25 , A61B5/372 , A61B5/18
Abstract: 本发明提供了一种基于双模态视频EEG数据的驾驶员视觉显著性区域预测方法，所述方法包括：采集驾驶员在执行驾驶行为时的视觉注意力相关的脑电图(Electroencephalography,EEG)信号；对采集EEG信号进行预处理，搭建EEG注意力特征初始化框架，提取二维EEG注意力特征；提取视频图像中的低层特征；将提取的二维EEG注意力特征和提取的视频图像低层特征融合，得到双模态数据；基于双模态数据进行预测。本发明在不使用光流信息的条件下，仅分析视频图像的空间信息就得到了较好的驾驶员的视觉注意力信息(Focus field of driver's Attention，FoA)预测效果，本发明进一步完成了从EEG信号中有效提取车辆驾驶员的视觉注意力特征，并将其与视频图像特征相结合，共同完成目标任务。
-
公开(公告)号：CN117312921A
公开(公告)日：2023-12-29
申请号：CN202311323384.6
申请日：2023-10-12
Applicant: 北京邮电大学
IPC: G06F18/24 , A61B5/318 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于特征距离分布差异损失的心电信号个体体征识别方法。所述方法包括：待训练心电信号片段的数值归一化处理；将心电信号片段与所属用户编号进行关联；在处理完成的心电信号片段中随机选出一组心电信号并记录编号，同时第二组心电信号需要选取与第一组对应位置所属用户相同且不为同一条的信号；利用同一骨干网络对两组信号进行特征提取；计算两组特征间的基于特征距离的分布差异损失，并利用损失不断地优化骨干网络参数；应用时利用训练好的骨干网络分别提取待测心电样本与用户模板样本库中的特征；计算待测心电样本特征与每条用户模板样本特征的特征距离表示；根据计算所得的特征距离预测出待测心电样本所属的用户。
-
公开(公告)号：CN116824190A
公开(公告)日：2023-09-29
申请号：CN202310833362.8
申请日：2023-07-07
Applicant: 北京邮电大学
IPC: G06V10/762 , G06V10/764 , G06V10/74 , G06V10/82 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于统计相关性聚类的域泛化归一化方法。所述方法包括：针对输入批次特征的相似性进行聚类，对聚类后的每个簇分别计算统计量对簇内样本进行标准化，并设计簇级别的统计量更新策略更新累计统计量，最终根据权重与偏置进行映射得到归一化输出；针对输入批次中每个样本特征计算统计量，利用计算得到的统计量进行标准化，最终同样根据权重与偏置进行映射得到归一化输出；设计动态融合模块对两种归一化方式的输出进行动态融合，得到最终基于统计相关性聚类的归一化层的输出。本发明能够大幅提升多种域泛化任务的精度，包括单域泛化图像识别，多域泛化图像识别，域泛化行人再识别等任务，有效提升源域数据训练的模型在目标域数据上的鲁棒性，同时该方法作为端到端模型的组成部分，其时间复杂度与计算资源消耗较小，具有较高的实际应用价值。
-
Patent Agency Ranking
公开(公告)号：CN116740090A
公开(公告)日：2023-09-12
申请号：CN202310689783.8
申请日：2023-06-12
Applicant: 北京邮电大学
IPC: G06T7/11 , G06V10/764 , G06V10/762 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于点标注的弱监督多模态细胞图像分割方法。所述方法包括：针对多个病例，获取并预处理多模态细胞图像；根据细胞图像的颜色特征和点标注的空间特征，绘制四种不同的细胞分割伪标签，包括但不限于维诺图分类伪标签、超像素分类伪标签、超像素回归伪标签以及细胞实例距离回归伪标签等；搭建多模态细胞图像分割网络，提取图像深度特征，并使用五种不同的任务支路训练网络，包括但不限于维诺图分类支路、超像素分类支路、超像素回归支路、细胞实例距离回归支路以及局部温度调节支路等；将待分割细胞图像输入训练好的分割网络中，分割网络将提取图像特征，并计算得出细胞的概率；最后使用基于分水岭算法的后处理方法处理预测概率图，得到最终的细胞分割结果。本发明设计的基于点标注的弱监督多模态细胞图像分割方法，大幅降低了人为标注的工作量，并能高质量完成对于多模态细胞图像的细胞分割任务，进而辅助医生进行病情诊断。
-
公开(公告)号：CN116258868A
公开(公告)日：2023-06-13
申请号：CN202211575232.0
申请日：2022-12-08
Applicant: 北京邮电大学
IPC: G06V10/44 , G06V10/764 , G06V10/774
Abstract: 本发明提供了一种分布自适应的渐进式长尾图像识别方法。所述方法包括：在图像识别模型训练初期，对模型施加类别无关的等距的边缘损失；在图像识别模型训练中期，基于模型分类器通过训练数据学习到的参数，周期性计算原始数据分布感知因子，并根据该因子对当前训练周期的模型施加类别相关的、数据分布自适应的非等距的边缘损失；在图像识别模型训练后期，根据训练后期开始时的模型分类器参数，计算原始数据分布感知因子，对训练后期的模型施加类别相关的、数据分布自适应的非等距边缘损失以及对损失进行类别相关的、数据分布自适应的重加权。本发明通过设计的感知分布因子，能够较好的应对训练数据分布未知或难以获取的情况。
-
公开(公告)号：CN112086202B
公开(公告)日：2022-11-22
申请号：CN202010768565.X
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
Abstract: 本发明公开了一种体温序列职业画像新方法，属于机器学习领域。首先针对某个目标用户，从体温数据库中提取固定时间段内的体温序列值生成该用户的体温时间序列数据集。如果该体温时间序列数据集有缺失，则对缺失的体温序列值进行补足，生成完整的体温时间序列数据。然后使用完整的体温时间序列数据生成目标用户的五维高层次特征，并将五维高层次特征组成K‑means聚类算法的输入向量，利用K‑means聚类算法得到不同职业的簇。最后对各个职业簇进行数据统计与分析，生成用户职业画像。本发明免去大量繁杂的人工操作，并且进一步挖掘了体温序列的深层次信息，更具表征性。
-
公开(公告)号：CN112057053A
公开(公告)日：2020-12-11
申请号：CN202010768189.4
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
IPC: A61B5/01
Abstract: 本发明公开了一种基于SVM的异常体温序列检测装置及方法，属于温度检测技术领域。本发明装置包括：佩戴在人体的温度检测设备，与温度检测设备通过无线通信的智能设备，智能设备上安装有用户体温数据库、体温序列提取单元、温度特征提取单元、支持向量机模型单元以及预警输出单元；本发明方法包括：收集用户体温时间序列数据；并对其进行提取及插值得到完整的体温时间序列数据；对体温时间序列进行挖掘特征值，生成特征向量；将特征向量添加用户标签，训练支持向量机，保存训练好的分类模型；最后将待判断用户体温数据输入训练好的分类模型，输出待判断用户的分类结果。本发明解决了在实际体温监测中存在着体温数据缺失、数据精度不高等问题。
-
公开(公告)号：CN112057052A
公开(公告)日：2020-12-11
申请号：CN202010767411.9
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
IPC: A61B5/01
Abstract: 本发明提出一种基于时间序列平稳性检验的异常体温序列筛选方法，属于体温检测技术领域。包括：步骤一、生成初始体温时间序列；步骤二、对用户体温时间序列进行插值，补充缺失数据，形成完整的体温时间序列数据集；步骤三、对用户的体温时间序列的平稳性利用扩展迪基‑福勒方法进行检验，对检验结果为不平稳的体温时间序列，进一步做阶数为周期长度的差分，周期长度是指每日固定时间段长度，然后对差分所得体温序列再用扩展迪基‑福勒方法进行平稳性检验；步骤四、计算用户体温时间序列的特征评分，进行异常体温判定。本发明使用平稳性检验方法初步筛选体温时间序列，可以增加异常体温筛选工作的效率，避免大规模的计算工作。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.029 seconds)
