-
公开(公告)号：CN119445131A
公开(公告)日：2025-02-14
申请号：CN202411377397.6
申请日：2024-09-30
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于几何关联预测的点云域自适应方法、设备和介质，该方法包括：采用特征编码器提取源域点云样本的特征获取源域特征，提取目标域点云样本的特征获取目标域特征；基于源域特征对有监督任务头进行训练，基于目标域特征对自监督任务头进行训练；采用训练后的特征编码器提取目标域点云样本的特征，获取目标域特征，采用训练后的有监督任务头对目标域特征进行处理获得目标域点云样本的类别概率分布，获取目标域点云样本的熵；将低熵的目标域点云样本作为新的源域点云样本，将高熵的目标域点云样本作为新的目标域点云样本，进行二次训练，采用二次训练后的有监督任务头对样本进行处理获得待分类样本的分类结果。本发明公开的方法，提升了预测准确度。
-
公开(公告)号：CN113486784B
公开(公告)日：2024-02-13
申请号：CN202110753604.3
申请日：2021-07-02
Applicant: 北京航空航天大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种双阶段的时序动作检测方法、装置、设备和介质，所述方法包括获取视频信息特征；根据视频信息特征，找到潜在的动作开始、结束时刻；将开始时刻和结束时刻组合成候选框；校准候选框边界，对候选框的内容进行判断，获得动作类别。本发明公开的双阶段的时序动作检测方法、装置、设备和介质，具有识别精度高、识别稳定性好、鲁棒性能好等诸多优点。
-
公开(公告)号：CN115908187A
公开(公告)日：2023-04-04
申请号：CN202211560705.X
申请日：2022-12-07
Applicant: 北京航空航天大学
IPC: G06T5/00 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于快速去噪扩散概率模型的图像特征分析与生成方法，包括步骤：将图像生成数据集进行预处理，得到训练数据集；构建原始去噪扩散概率模型，其中包含分数预测器，并引入条件生成器和相应的判别器，得到快速去噪扩散概率模型；通过得分匹配方法训练分数预测器，将训练完成的分数预测器冻结，采用生成对抗的交替训练方法训练条件生成器和判别器；将训练完成的分数预测器与训练完成的条件生成器更新至快速去噪扩散概率模型，将高斯白噪声图片输入该快速去噪扩散概率模型，得到真实高质量的输出图像。该方法能够保证高质量生成能力的同时，显著提高生成采样的效率。
-
-
公开(公告)号：CN112381280B
公开(公告)日：2023-01-24
申请号：CN202011231861.2
申请日：2020-11-06
Applicant: 北京航空航天大学
IPC: G06Q10/04 , G06N3/0464 , G06F40/253
Abstract: 本发明公开了一种基于人工智能的算法预测方法，包括：将待预测代码转化为距离抽象语法树；抽取距离抽象语法树中的距离抽象语法树路径；将距离抽象语法树路径转换为元组，对元组元素进行编码，合成token的向量表示；根据距离抽象语法树路径之间的相关性，整合其他路径信息到每一条路径上，获得具有长距离依赖的距离抽象语法树路径向量；构建神经网络模型，根据具有长距离依赖的距离抽象语法树路径预测代码名含义。本发明提供的基于人工智能的算法预测方法，可以有效地克服高信息熵代码的信息丢失问题，从而提高代码名含义预测的准确率，缓解命名不一致以及描述性差的问题，提高编程者的工作效率。
-
Patent Agency Ranking
公开(公告)号：CN111899816B
公开(公告)日：2022-12-02
申请号：CN202010693602.5
申请日：2020-07-17
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于人工智能数据分析的热电材料性能预测方法，通过对材料数据库中化合物和晶体的特征进行数字描述，获得学习样本，使用学习样本训练模型，实现对热电材料性能的预测。本发明所述的基于人工智能数据分析的热电材料性能预测方法，能够快速、准确的完成基于人工智能数据分析的热电材料性能预测。
-
公开(公告)号：CN113486784A
公开(公告)日：2021-10-08
申请号：CN202110753604.3
申请日：2021-07-02
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种双阶段的时序动作检测方法、装置、设备和介质，所述方法包括获取视频信息特征；根据视频信息特征，找到潜在的动作开始、结束时刻；将开始时刻和结束时刻组合成候选框；校准候选框边界，对候选框的内容进行判断，获得动作类别。本发明公开的双阶段的时序动作检测方法、装置、设备和介质，具有识别精度高、识别稳定性好、鲁棒性能好等诸多优点。
-
公开(公告)号：CN108537286B
公开(公告)日：2020-11-24
申请号：CN201810345899.9
申请日：2018-04-18
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于关键区域检测的复杂目标精准识别方法，包括：使用交叉训练的方法对整个神经网络进行融合训练，使用卷积神经网络提取目标特征，使用检测子网络以锚方框作为参考检测复杂目标的关键区域，使用区域标准池化将关键区域池化为固大小的特征图，使用分类子网络对关键区域进行分类，融合各个关键区域的分类结果从而达到对目标的精准识别。整个网络包括了关键区域检测子网络和关键区域分类子网络，由检测子网络检测出复杂目标具有区分度的关键区域，再由分类子网络对关键区域进行分类，融合各区域的分类结果对整体目标进行识别。这两个子网络共享了VGG卷积神经网络提取的特征,从而使复杂目标的识别达了到快速与精准的效果。
-
公开(公告)号：CN106022229B
公开(公告)日：2019-08-27
申请号：CN201610309832.0
申请日：2016-05-11
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于视频运动信息特征提取与基于自适应增强算法的误差反向传播网络(BP Adaboost)的异常行为识别方法，包括：首先根据视频相邻图像帧计算光流，由水平方向和竖直方向的光流计算光流方向，以光流的强度为权重计算光流方向直方图，并将直方图特征转换成具有概率属性的特征属性，然后根据正常和异常的训练样本训练基于自适应增强算法的误差反向传播网络(BP Adaboost)得到分类器。测试阶段，在使用训练得到的分类模型前，按照相邻帧光流直方图相同的计算方法，得到测试样本的光流方向直方图，最后根据训练学习得到的分类模型进行测试样本中的异常行为识别。本发明具有识别率高、计算复杂度小等特定，可广泛应用于异常行为识别、动作分析领域。
-
公开(公告)号：CN110110648A
公开(公告)日：2019-08-09
申请号：CN201910364429.1
申请日：2019-04-30
Applicant: 北京航空航天大学
Abstract: 本发明公开了基于视觉感知与人工智能的动作提名方法，所述方法包括以下步骤：步骤1、利用I3D网络提取视频的双流特征向量；步骤2、将双流特征向量输入至堆叠的残差因果卷积模块中，进行时序建模并进行动作概率评估；步骤3、根据边界决策分析获得待选动作提名片段及其集合ψp；步骤4、对待选动作提名片段的集合ψp进行联合概率动作密度排序处理，得到有效动作提名片段。本发明所述方法在动作提名过程中不需要滑动窗户或锚箱，同时，本发明所述方法设计了一个轻量的联合概率动作密度排序策略，不需要再构建复杂的神经网络，同时这个策略可解释性强，效果很好。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.07 seconds)
