-
公开(公告)号：CN104464079A
公开(公告)日：2015-03-25
申请号：CN201410837446.X
申请日：2014-12-29
Applicant: 北京邮电大学
IPC: G07D7/20
Abstract: 本申请公开了基于模板特征点及其拓扑结构的多币种面值识别方法，包括：1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；4、将待识别纸币图像的其它特征点的特征描述及其拓扑结构信息与一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。
-
公开(公告)号：CN103955699A
公开(公告)日：2014-07-30
申请号：CN201410125985.0
申请日：2014-03-31
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于监控视频的实时摔倒事件检测方法，在检测场景中安装有朝向同一目标区域、拍摄角度不同的多个摄像机，多个摄像机连续拍摄目标区域，包括以下步骤：多个摄像机同时拍摄目标区域的一段视频；从多个摄像机各自拍摄的同一时段的多个视频中，分别提取出每一帧画面的代表目标的前景图像；提取同一时刻同一目标的前景图像在由多个摄像机拍摄的画面中的各自的形状和位置特征，并使用RVM分类器，确定每一帧画面对应的时刻的目标姿态类别；将所得到的每一帧画面的目标姿态类别作为目标姿态值序列输入到HMM评估器，得到目标姿态类别变化的后验概率，目标姿态类别变化代表目标摔倒事件发生；如果后验概率大于预定阈值，则确定摔倒发生。
-
公开(公告)号：CN118823641A
公开(公告)日：2024-10-22
申请号：CN202410915227.2
申请日：2024-07-09
Applicant: 北京邮电大学
IPC: G06V20/40 , G06V20/70 , G06V40/16 , G06V10/82 , G06T9/00 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/084
Abstract: 本发明提供智能驾驶场景语义编码上链和多下游任务集成方法及系统，包括：构建智能驾驶场景下视频数据关键帧特征编码器Me，通过自监督重建任务进行编码器参数学习；根据区块链共享节点的业务需求设计安全员异常行为识别、场景重建、安全员人脸识别等多种下游任务解码器Di，通过多下游任务共同监督多个解码器Di的训练；搭建视频数据语义编码上链和下游任务应用框架，涵盖输入视频数据S、筛选关键帧Sf、获取关键帧语义编码信息Me(Sf)上链、多节点共识和编码信息共享、得到下游任务解码信息Di[Me(Sf)]。本发明通过语义编码上链实现海量复杂数据的高效表征和存证，满足区块链共享节点的多种下游任务需求，从而促进相关领域数据的高效可信存证和可信共享。
-
公开(公告)号：CN118644878A
公开(公告)日：2024-09-13
申请号：CN202410733376.7
申请日：2024-06-06
Applicant: 北京邮电大学
Abstract: 本发明提供了一种基于三维特征和图神经网络的非接触指纹识别方法。所述方法包括：对非接触指纹图像进行预处理，对齐非接触指纹图像的偏航角并增强其对比度；通过一个卷积神经网络同时提取非接触指纹的三维特征，包括表面梯度和细节点；将表面梯度重建为深度，将深度信息和细节点融合得到三维细节点；将一对非接触指纹图像的三维细节点用图卷积网络进行特征编码；采用三元组损失计算真匹配特征以及假匹配特征之间的均方距离，并利用损失不断地优化骨干网络参数，拉近真匹配特征之间的距离，并使假匹配特征之间相互远离；应用时利用训练好的非接触指纹特征提取网络和图卷积网络分别对非接触指纹的样本和模版进行编码；计算当前非接触指纹样本特征与所有非接触指纹模板特征的特征距离表示；根据计算所得的特征距离预测出当前非接触指纹样本所属的用户。本发明在识别大姿态跨度的非接触指纹时具有明显优势。
-
公开(公告)号：CN118154502A
公开(公告)日：2024-06-07
申请号：CN202211562723.1
申请日：2022-12-07
Applicant: 北京邮电大学
Abstract: 本发明提供了一种提升CT和MRI图像分析算法性能的预处理方法。所述方法包括：准备CT或MRI三维数字影像集合；设置矩阵三维空间偏移约束尺度；构建二维切片随机偏移尺度实时计算模块；嵌入已有算法的训练或测试架构的输入端；对算法输出的新结果进行偏移校正；得到优化的CT或MRI图像分析结果。本发明的方案可根据需要灵活嵌入已有算法的训练阶段和测试阶段，通过匹配真实的图像采集过程提升算法的分析精度，在医生诊断过程中起到更精确的智能辅助效果。
-
Patent Agency Ranking
公开(公告)号：CN116994772A
公开(公告)日：2023-11-03
申请号：CN202310219347.4
申请日：2023-03-09
Applicant: 北京邮电大学
IPC: G16H50/80 , G16H50/70 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/241 , G06N20/00
Abstract: 本发明提供了一种基于自监督学习的时间序列异常检测方法。所述方法包括：对人群的心率，血氧饱和度等数据进行数据清洗；依据时间序列数据训练自监督模型，对含筛查的时间序列进行插值；对时间序列进行变换以及特征提取，并依据特征重要程度对提取的特征进行排序与筛选；将筛选得到的特征数据以及插值后的时间序列合并，将数据按照一定比例划分为数据集以及测试集；将训练集数据输入机器学习模型进行训练，求出最优的模型集合与其权重；最终得到体征异常人群筛查模型。本发明提供的基于机器学习与自监督学习的时间序列异常检测的方法，具有较好的准确性以及便利性，能够更加高效地应用于疫情防控和慢病监测等领域。
-
公开(公告)号：CN116758347A
公开(公告)日：2023-09-15
申请号：CN202310691981.8
申请日：2023-06-12
Applicant: 北京邮电大学
IPC: G06V10/764 , G06F11/36 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于实例范式对比学习的域泛化图像识别方法。所述方法包括：采用基于傅里叶变换的幅度谱混合策略获取与原输入实例语义一致的增强实例，设计多视图通道注意力机制对原实例与增强实例进行融合生成实例范式；构建实例与范式的有监督双流对比损失，包括实例内，范式内，实例与范式间三种类型的样本对损失；在上述损失中进行困难样本挖掘，利用输入实例的域标签以及特征相似性动态加权不同难度的样本对；针对测试时不同域数据分布，设计测试时特征融合模块，采用原实例与增强实例融合生成的范式预测最终类别。本发明不仅能够提升域泛化图像识别的精度，增强源域数据训练的模型在目标域数据上的鲁棒性，同时所需训练资源与额外计算时间极少，可作为即插即用的方法嵌入任何已有的域泛化图像识别系统中并提升准确率。
-
公开(公告)号：CN112071434B
公开(公告)日：2022-11-29
申请号：CN202010769307.3
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: 本发明公开了一种异常体温序列检测新方法，属于智能医疗领域。针对每个用户，首先以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。然后将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列，并对体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列。将完整体温序列根据医院检测结果进行标记，得到各用户的标签。最后按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集，利用训练集训练全连接神经网络，并利用验证集进行验证。利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。本发明判断更加精准，操作简便，灵活性较强。
-
公开(公告)号：CN112057052B
公开(公告)日：2022-02-15
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。
-
公开(公告)号：CN113053497A
公开(公告)日：2021-06-29
申请号：CN202110250510.4
申请日：2021-03-08
Applicant: 北京邮电大学
Abstract: 本发明提供了一种优化组织学病理图像智能分析性能的后处理方法。所述方法包括：获取病例的多张病理切片的数字图像，并绘制先验图谱；将切片对应的数字图像和先验图谱裁剪成小尺寸图像块；计算待优化算法对于小尺寸图像块的预测置信概率特征，并计算对应的先验图谱的平均值作为先验权重；计算每个小尺寸图像块的加权置信概率特征；融合切片对应的所有小尺寸图像块的加权置信概率特征；融合病例对应的所有切片的加权置信概率特征；最后预测病例所属病变类别。本发明的方案不需要重新训练即可应用于现有智能分析方法，不仅能提升算法的分析精度，也能结合医生的先验知识关注部分关键区域，在病理医生诊断过程中起到更精确的智能辅助效果。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.031 seconds)
