-
公开(公告)号：CN101984464B
公开(公告)日：2012-05-30
申请号：CN201010522415.7
申请日：2010-10-22
Applicant: 北京工业大学
Abstract: 本发明公开了一种图像中不同区域视觉显著程度的检测方法，包括：将输入图像切分成不重叠的图像块，并将每个图像块向量化；为了降低图像中的噪声和冗余信息，对步骤1所得到的所有向量通过PCA主成分分析方法进行降维；对于每个图像块，利用降维后的向量计算这个图像块与其他所有图像块的不相似度，再结合图像块之间的距离计算得到每个图像块的视觉显著性程度，得到显著图；对于显著图施加中央偏置，得到施加中央偏置后的显著图；对于施加中央偏置后的显著图通过二维高斯平滑算子进行平滑，得到最终反映图像各个区域显著程度的结果图像。与传统方法相比，本发明不用提取颜色、朝向、纹理等视觉特征，避免了特征选择的步骤。具有简单、高效的优点。
-
公开(公告)号：CN119055192A
公开(公告)日：2024-12-03
申请号：CN202411176365.X
申请日：2024-08-26
Applicant: 北京工业大学
IPC: A61B5/00 , A61B5/369 , A61B5/372 , G06F18/2415 , G06F18/214 , G06F18/213
Abstract: 本发明公开了一种基于自适应重聚合和双原型对比的睡眠分期方法及系统，方法包括：对全局模型和局部模型进行初始化；在联邦训练过程中，基于上一轮次的全局模型和局部历史模型的性能结果确定自适应聚合权重，聚合得到局部初始模型；利用全局模型和局部历史模型进行原型提取，自适应聚合得到局部无偏原型；提取局部原型，将局部原型和局部无偏原型进行双原型对比，得到局部优化模型；将局部优化模型进行联邦聚合；重复迭代训练，得到联邦全局睡眠分期模型，利用联邦全局睡眠分期模型对睡眠数据进行睡眠分期。通过本发明的技术方案，避免了灾难性遗忘，保留了局部任务特定信息，减轻了全局知识的不当影响，提高了睡眠分期的准确性和鲁棒性。
-
公开(公告)号：CN112581441B
公开(公告)日：2024-07-05
申请号：CN202011454642.0
申请日：2020-12-10
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 本发明实施例提供一种路面裂缝检测方法、装置、电子设备及介质；该方法包括采集道路的路面图像；对所述路面图像进行预处理，得到分辨率梯度变化的多个输入图像；将所述多个输入图像输入预先训练的路面裂缝检测模型，得到计算结果；其中，所述路面裂缝检测模型是基于样本路面图像和所述样本路面图像的裂缝标记数据训练得到的，所述路面裂缝检测模型包括多个阶段，每个阶段间进行多次多尺度融合；根据所述路面裂缝检测模型的计算结果，输出检测结果。本发明实施例通过输入分辨率梯度变化的多个输入图像，使用具有多尺度融合结构的路面裂缝检测模型，实现了对复杂情况下的路面裂缝检测，减弱了噪声影响，提高了检测精度。
-
公开(公告)号：CN115193055B
公开(公告)日：2024-06-18
申请号：CN202210164356.3
申请日：2022-02-22
Applicant: 北京工业大学
IPC: A63F13/67 , A63F13/822
Abstract: 本发明属于推荐系统领域，针对多人在线战术竞技类型MultiplayerOnlineBattleArena,MOBA游戏装备推荐问题，提出了一种基于图注意力网络的MOBA游戏装备推荐方法。首先使用基于Transformer的局部和全局注意力特征提取方法，针对局内对战队伍的多属性特征进行细粒度提取，促使模型在装备推荐时既考虑己方协助信息也考虑敌方制约信息，进行有效信息互通。其次，基于图注意力网络的全局多重聚合方法通过计算影响因子权重深入更新聚合特征，不断强化英雄‑英雄、英雄‑装备间的交互影响。本发明在Precision和MAP指标上明显优于先前方法，对MOBA游戏的装备推荐更准确有效。
-
公开(公告)号：CN114445643B
公开(公告)日：2024-06-07
申请号：CN202210090736.7
申请日：2022-01-26
Applicant: 北京工业大学
IPC: G06V10/46 , G06V10/25 , G06V10/77 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895 , A61B5/055
Abstract: 本发明提供了一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法，该方法借鉴了空间自注意力机制思想，对fmri数据相关的显著性区域特征进行提取并对非显著性区域特征做稀疏化处理，而后结合不同显著性区域特征的强关联性解决数据特征提取过程中出现的样本维度高、冗余特征过多，以及特征关联信息利用不足等问题。为了客观评价所提出模型的有效性，在ABIDE和ADHD数据集上进行验证。实验结果表明，本文提出的特征提取方法有效提高了fmri脑功能连接数据的分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN114529975B
公开(公告)日：2024-05-31
申请号：CN202210183736.1
申请日：2022-02-25
Applicant: 北京工业大学
IPC: G06V40/16 , G06F17/16 , G06V10/762 , G06V10/74 , G06V10/764
Abstract: 本发明涉及一种应用于人脸识别的自适应快速无监督特征选择方法，用于解决高维度人脸图像中往往存在大量无意义和冗余特征导致分析困难的问题。具体方案为首先提出一种自适应快速密度峰值聚类方法对人脸图像特征进行聚类操作，然后定义特征重要性评价函数，在每个特征簇中选择出最具代表性特征，加入特征子集，完成特征选择。实施本发明能够达到得到的特征子集更精确，特征选择更快速的效果。
-
公开(公告)号：CN113283438B
公开(公告)日：2024-03-29
申请号：CN202110322786.9
申请日：2021-03-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多源显著性和时空榜样适配的弱监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取当前视频帧的空间显著性掩码和时间显著性掩码。训练多源显著融合网络对两者进行融合，得到时空显著掩码。随后计算时空契合度并将其进行排序；选择前N个时空契合度结果对应的视频帧作为时空榜样信息。将时空显著掩码作为分割目标伪标签，时空榜样结果作为适配目标，协同优化分割损失和时空榜样适配损失训练目标分割网络。本发明以学习的方法有效融合时空显著性先验知识，通过榜样适配机制提供可靠指导信息，使神经网络学习到相同类别视频中的一致性目标特征，在弱监督视频目标分割任务上取得了更加优秀的效果。
-
公开(公告)号：CN117195911A
公开(公告)日：2023-12-08
申请号：CN202311170076.4
申请日：2023-09-11
Applicant: 北京工业大学
IPC: G06F40/30 , G06F40/205 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/09 , G06F18/213 , G06F18/241 , G06F18/25
Abstract: 本发明公开了一种语言模型驱动的零样本目标检测方法及系统，方法包括：利用数据集中的可见类数据训练得到有监督检测模型；根据数据类名，由大型语言模型中提取语义向量生成外部知识；利用有监督检测模型提取可见类图像的视觉特征，并根据外部知识合成的可见类伪视觉特征，训练得到生成对抗网络；利用生成对抗网络为不可见类数据合成伪视觉特征，训练不可见视觉特征分类器，并通过参数融合得到更新后的有监督检测模型，实现对图像数据的零样本目标检测。通过本发明的技术方案，能够生成具有丰富语义和判别性的视觉特征，提高了对视觉内容的理解和表达能力，使得视觉空间与语义空间更好地对齐，解决了零样本目标检测中语义混淆的问题。
-
公开(公告)号：CN116211319A
公开(公告)日：2023-06-06
申请号：CN202310152183.8
申请日：2023-02-22
Applicant: 北京工业大学
IPC: A61B5/369 , G06F18/2136 , G06F18/213 , G06F18/25 , G06F18/2415 , G06F17/14 , G06N3/04 , A61B5/374 , A61B5/00
Abstract: 本发明涉及一种基于图注意力网络和稀疏编码的多通道EEG信号识别方法。首先对多通道脑电信号进行预处理，获得若干多通道脑电信号数据样本。接下来对每一个数据样本进行分频带处理，分为五种子频带，采用上述两种特征提取方式分别构造五种脑功能网络。接下来对五种脑功能网络进行融合，将其脑功能节点特征进行拼接作为融合后的脑功能节点特征；对五种脑功能连接特征取平均值，然后进行进行阈值处理去除无效连接，作为融合后的脑功能连接特征。将融合后的脑功能网络通过图注意力网络模型来还原真实的脑功能连接特征，并使用自编码器对脑功能连接稀疏特征进行降维和特征增强，进行特征降维，最终将两种特征融合并进行分类。本发明分类准确率最高。
-
公开(公告)号：CN115359250A
公开(公告)日：2022-11-18
申请号：CN202210707799.2
申请日：2022-06-20
Applicant: 北京工业大学
IPC: G06V10/26 , G06V20/70 , G06V10/774 , G06V10/74 , G06V10/80
Abstract: 本发明公开了一种基于记忆力机制的小样本跨域分割方法，该方法不但能够缓解模型对大量标注样本的依赖，还有效提高了模型对不同环境的适应能力。该方法首先在公开数据集上训练分割模型，此过程主要借助元度量机制来缓解模型对数据标签的依赖，并且通过读、写操作将带有域信息的风格化知识存储到记忆模块中。随后在使用模型时，将存储在记忆模块中的知识载入到新环境的待分割样本中，由此提高模型对不同环境的泛化性，最终顺利完成新场景的分割任务。本发明将训练过程中模型捕捉到的域泛化知识载入到样本稀少的新环境任务中，拉近了不同环境间的数据分布，使得深度模型能够有效的面对标注数据稀少的新环境，扩展了深度分割模型的泛化性与可用性。
-
-
-
-
-
-
-
-
-
Search Results
159
records
(took 0.042 seconds)
