公开(公告)号：CN109993197B

公开(公告)日：2023-04-28

申请号：CN201811495479.5

申请日：2018-12-07

Applicant: 天津大学

Inventor： 冀中 ,  李慧慧 ,  庞彦伟

IPC: G06V10/764 ,  G06V10/774

Abstract: 一种基于深度端对端示例差异化的零样本多标签分类方法，训练阶段包括：训练多示例特征提取网络；提取训练样本对应的标签特征；视觉特征到标签特征空间的跨模态映射网络训练，用于实现多模态融合，并挖掘标签与标签间、样本与标签间的关联关系；训练样本的标签和测试样本的标签各标签之间的约束模块；训练阶段的最终目标函数的优化。测试阶段直接利用训练阶段所获取的端对端网络实现零样本多标签分类包括：利用多示例特征提取网络提取测试样本多示例特征；提取测试样本对应的标签特征；测试样本多标签分类。本发明能对未标记图像实现多标签图像标注。

公开(公告)号：CN110580501B

公开(公告)日：2023-04-25

申请号：CN201910770543.4

申请日：2019-08-20

Applicant: 天津大学

Inventor： 冀中 ,  崔碧莹 ,  庞彦伟

IPC: G06V10/774 ,  G06V10/764

Abstract: 一种基于变分自编码对抗网络的零样本图像分类方法，是通过构造视觉模态和语义模态两个变分自编码器并以视觉特征和语义特征分别对应作为两个变分自编码器的输入，生成伪视觉特征和语义特征，最后将真实的和生成的视觉特征和语义特征输入判别器，通过度量学习的方法完成对抗过程；然后开始训练softmax分类器，将未见类图像的视觉特征输入视觉模态的变分自编码器中，利用生成的伪视觉特征和对应的标签训练分类器；在测试的时候，将未见类样本的真实视觉特征输入分类器进行分类，实现零样本图像分类任务。本发明可以实现在更加真实的场景中的分类任务，有利于推动零样本学习应用于生产生活实际，加速深度学习算法向实用发展。

公开(公告)号：CN115862338A

公开(公告)日：2023-03-28

申请号：CN202310182274.6

申请日：2023-03-01

Applicant: 天津大学

Inventor： 杨双鸣 ,  王好雯 ,  庞彦伟

IPC: G08G1/01 ,  G08G1/052 ,  G06Q10/04 ,  G06Q50/26 ,  G06Q50/30 ,  G06N3/045 ,  G06N3/044 ,  G06N3/042 ,  G06N3/08

Abstract: 本发明公开了一种机场交通流量预测方法、系统、电子设备及介质，涉及机场交通流量预测技术领域，该方法包括：获取机场及周边道路的实时交通监控数据；对实时交通监控数据进行预处理，得到实时交通监控数据的二进制离散脉冲序列；构建类脑神经形态网络；类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；海马神经网络和前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；将二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；预测结果为拥堵或者不拥堵。本发明能够对机场客流量及周边道路交通拥堵情况进行预测。

公开(公告)号：CN115690849A

公开(公告)日：2023-02-03

申请号：CN202211397422.8

申请日：2022-11-09

Applicant: 天津大学

Inventor： 曹家乐 ,  王佳蓓 ,  庞彦伟

IPC: G06V40/10 ,  G06V10/20 ,  G06V10/80 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及一种基于无锚框全框与可见框融合的遮挡行人检测方法，包括下列步骤：输入训练样本，利用深度卷积网络对其进行特征提取，得到特征图；用两个分支分别采用无锚框的方法，通过全连接层得到分类的置信度图与回归的热力图，来预测行人全框与可见框的中心点以及中心点对应的框的高与宽；保留全框置信度大于设定阈值的中心点，由全框中心点以及其对应的框的高与宽生成行人的全框集；对特征图上的每一个像素点其对应的框的高与宽生成该位置的行人可见框，根据行人宽高比定值展成全框；对于全框集中每个全框，通过最大交并比匹配到一个由可见框展为全框的全框；计算融合得分；对全框做非极大值抑制处理，得到最终的全框。

公开(公告)号：CN113096208B

公开(公告)日：2022-11-18

申请号：CN202110278963.8

申请日：2021-03-16

Applicant: 天津大学

Inventor： 庞彦伟 ,  张登强 ,  金睿琦

IPC: G06T11/00 ,  G06T9/00 ,  G06T5/50 ,  G06T5/10 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明涉及一种基于双域交替卷积的神经网络磁共振图像的重建方法，其特征在于：包括如下步骤：步骤1、获取K空间数据集；步骤2、生成欠采样K空间数据；步骤3、建立双域交替卷积的编解码神经网络结构；步骤4、利用步骤2中生成的欠采样K空间数据和步骤1中K域信息经过逆傅里叶变换得到的图像域数据训练双域交替卷积的编解码神经网络模型；步骤5、使用训练好的双域交替编解码神经网络对欠采样磁共振数据进行重建，获得清晰度较高的磁共振重建图像。本发明利用在K域上的小核卷积神经网络实现磁共振成像的加速重建，在消除由于突破内奎斯特采样极限带来的伪影的同时，能够重建得到清晰的磁共振成像，提高重建精度。

公开(公告)号：CN115063499A

公开(公告)日：2022-09-16

申请号：CN202210587353.0

申请日：2022-05-26

Applicant: 天津大学

Inventor： 庞彦伟 ,  刘金枭 ,  刘一鸣

IPC: G06T11/00 ,  G06T5/10 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  A61B5/055 ,  A61B5/00

Abstract: 本发明涉及一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，包括以下步骤：步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；步骤2、基于步骤1获得的训练数据进行重建网络的预训练；步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络，进而实现对放射状切片自适应的高性能k空间主动欠采样。本发明能够提高对k空间数据的利用能力，改善目前单目标奖励函数对图像质量变化表示不够充分的问题，并通过重新建立重建网络的训练模式，使得强化学习的目标明确，提高磁共振成像质量。

公开(公告)号：CN114723840A

公开(公告)日：2022-07-08

申请号：CN202210231788.1

申请日：2022-03-09

Applicant: 天津大学

Inventor： 庞彦伟 ,  刘一鸣 ,  金睿琦

IPC: G06T11/00 ,  G06N3/08 ,  G06K9/62 ,  G06F17/14 ,  A61B5/00 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及一种面向切片自适应的磁共振成像主动欠采样方法，包括以下具体步骤：步骤1、构建主动欠采样方法所需的数据集；步骤2、对数据进行预处理；步骤3、在强化学习的框架下，构建无参数的交互环境；步骤4、构建基于Transformer的采样决策网络，对数据状态中的欠采样图像及其对应掩膜进行不同方式的映射；步骤5、利用建立的数据集、预处理操作以及无参数的交互环境对构建的采样决策网络进行训练；步骤6、基于训练好的采样决策网络模型，进行实时主动欠采样。本发明能够在深度强化学习的框架下，重新构建稳定高效的交互环境以及能够高效建模数据状态中内容信息和时序信息的采样决策网络，从而实现高性能主动欠采样。

公开(公告)号：CN109597087B

公开(公告)日：2022-07-01

申请号：CN201811371861.5

申请日：2018-11-15

Applicant: 天津大学

Inventor： 庞彦伟 ,  陈龙

IPC: G01S17/894 ,  G06V10/25 ,  G06V10/774 ,  G06V20/64 ,  G06V20/56 ,  G06T5/20

Abstract: 本发明涉及一种基于点云数据的3D目标检测方法，包含：收集不同场景下的包含感兴趣目标的图像与点云数据；数据集划分；设计基于点云数据的3D目标检测网络模型主体结构，用以检测出相关应用场景中的感兴趣目标；3D空间目标检测：利用3D候选框生成子网络提取到的3D候选位置与点云数据特征，在3D目标检测子网络结构中对点云进行分类，确定点云数据中的每个点是属于哪一目标类别，进而实现在3D空间中对感兴趣目标的检测任务；3D目标位置回归：利用3D目标检测子网络输出的某一候选目标位置信息与点云数据特征，在目标回归子网络中计算相应类别的预测目标与标注目标的坐标偏差及其损失值，并输出经过偏移后的预测目标位置信息，进而得到更加精确的3D空间位置信息。

公开(公告)号：CN111861935B

公开(公告)日：2022-06-03

申请号：CN202010744536.X

申请日：2020-07-29

Applicant: 天津大学

Inventor： 庞彦伟 ,  张雪岩

IPC: G06T5/00 ,  G06T5/50 ,  G06N3/04

Abstract: 本发明公开了一种基于图像修复技术的去雨方法，所述方法包括：构建由三个特征提取模块和一个残差图像预测模块组成的粗去雨网络；构建由阈值判断模块和图像修复模块组成的图像精修复网络；基于有雨图像数据库分布对粗去雨网络、图像精修复网络进行训练，将训练后的粗去雨网络和图像精修复网络组合成基于图像修复技术的去雨模型；基于去雨模型对输入图像进行处理。本发明可以精准有效实现残差图像的特征信息的利用，能够明显提升去雨精度，且进一步促进去雨算法的实际场景应用。

公开(公告)号：CN109543519B

公开(公告)日：2022-04-15

申请号：CN201811205606.3

申请日：2018-10-15

Applicant: 天津大学

Inventor： 庞彦伟 ,  曹家乐

IPC: G06V20/70 ,  G06V10/82 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种用于物体检测的深度分割引导网络，包括：确定基础网络：包括多个卷积块，每个卷积块由多个卷积层构成，不同卷积块之间由池化层连接。设计用于提取语义分割上下文信息的深度语义分割引导模块：对于基础网络中每一个卷积块输出的特征图，首先利用卷积层提取语义分割特征，然后利用卷积层提取语义分割的预测逻辑图，最后利用卷积层和sigmoid函数对预测逻辑图进行上采样输出检测引导特征图，语义分割的预测逻辑图在训练过程中由语义分割任务进行监督。利用分割引导模块引导物体检测特征学习。输出物体检测结果。