-
公开(公告)号：CN110533086A
公开(公告)日：2019-12-03
申请号：CN201910744623.2
申请日：2019-08-13
Applicant: 天津大学
Abstract: 本发明提供了一种图像数据半自动标注方法，包括：对未标注的图像进行部分图像级标注；将标注数据放到协同弱监督识别模型中进行训练；对协同弱监督识别模型进行改造，得到强监督改造模型；用强监督改造模型对未标注的图像进行检测，得到检测结果；使用人工标注图像数据训练强监督改造模型。本发明的方法前期使用一定量的弱标签数据，然后后期使用主动学习的方式逐渐改善模型，从而在少的标注量的同时，保证了精度。
-
公开(公告)号：CN104217226B
公开(公告)日：2017-07-11
申请号：CN201410455219.0
申请日：2014-09-09
Applicant: 天津大学
Abstract: 本发明公开了一种基于深度神经网络与条件随机场的对话行为识别方法，步骤是(1)对数据集中的汉语口语语料进行预处理，提取多模态特征；(2)构造条件随机场模型；(3)基于多模态深度神经网络构造条件随机场模型的状态特征函数：(4)最大化对数似然函数，求解条件随机场模型参数，(5)通过求解整段对话的对话行为序列，得到该段对话中对应的每个语句的对话行为。本发明不仅能从原始特征中学到与分类任务更加相关的抽象特征，而且可对对话行为中的多模态信息进行更加高效的融合，为后续的分类任务奠定良好的基础，同时，可更好地刻画样本类标的序列依赖关系，提出以条件随机场为主体框架，从而对每段对话进行整体优化。
-
公开(公告)号：CN104268627B
公开(公告)日：2017-04-19
申请号：CN201410458807.X
申请日：2014-09-10
Applicant: 天津大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于深度神经网络迁移模型的短期风速预报方法，包括：(1)首先对两个以上风电场的数据进行归一化预处理和样本集的划分，(2)构建深度神经网络迁移模型，(3)采用无监督学习自底向上开始分层训练；(4)基于步骤三进一步进行自顶向下的有监督学习；(5)对顶层与隐层连接的权值参数进行微调得到深度神经网络中对应每个风电场的输出层；(6)对该深度神经网络输出的结果进行反归一化得到风速的预测值。本发明将迁移学习引入到风速预测领域，通过将其他数据丰富的风电场的知识迁移到目标风电场，有效地解决了新建风电场数据少的问题。通过有效的基于深度神经网络的迁移方案，大大的提高了目标风电场对于风速的预测精度。
-
公开(公告)号：CN103020485B
公开(公告)日：2016-01-06
申请号：CN201310006821.1
申请日：2013-01-08
Applicant: 天津大学
IPC: G06F19/00
Abstract: 本发明涉及天气预报技术领域。为满足实际应用中(如风力发电、农业生产等)对短期风速预报的要求，为达到上述目的，本发明采取的技术方案是，基于beta噪声核岭回归技术的短期风速预报方法，包括如下步骤：通过最大似然估计导出基于beta噪声模型的损失函数，在此基础上构造基于beta噪声模型的核岭回归机，最后利用基于beta噪声模型的核岭回归技术得到短期风速预报。本发明主要应用于天气预报。
-
公开(公告)号：CN119313588A
公开(公告)日：2025-01-14
申请号：CN202411475263.8
申请日：2024-10-22
Applicant: 天津大学
IPC: G06T5/73 , G06T5/60 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开一种基于不确定性驱动的弱监督去雾方法，包括采用U‑Net架构的弱监督去雾网络，弱监督去雾网络包括区域动态注意力模块RDAM、下采样层、多尺度特征融合模块MSFFM、上采样层；RDAM用于对输入图像或者前一层RDAM的输出进行处理，构造动态卷积层并通过动态卷积层得到区域动态注意力特征图；下采样层用于对RDAM的输出进行下采样，减少空间分辨率；MSFFM用于通过窗口多头自注意力机制处理输入特征，以捕获像素之间的长距离依赖关系，并进行多尺度特征提取和融合；上采样层用于将MSFFM输出的特征图恢复到上一层MSFFM输出特征图的分辨率，并与其进行特征拼接；经过上采样后的特征图依次通过一个3x3卷积层、ReLU激活函数和1x1卷积层，最终输出去雾后的图像。
-
Patent Agency Ranking
公开(公告)号：CN118657223B
公开(公告)日：2024-10-29
申请号：CN202411154467.1
申请日：2024-08-22
Applicant: 天津大学 , 中家院(北京)检测认证有限公司
Abstract: 本发明公开了一种基于知识图谱双向推理的目标导向对话方法及模型，涉及人机对话技术领域。利用对话起始句和末尾句得到对话上下文表示向量；基于起始句和末尾句的头节点词语查找外部知识图谱的尾节点词语；创建用于存储起始句的对话上下文表示向量、各头节点词语和对应各尾节点词语的第一对话子图，用于存储末尾句的对话上下文表示向量、各头节点词语和对应各尾节点词语的对话上下文表示向量的第二对话子图；对第一对话子图和第二对话子图进行图数据重构得到重建子图；计算得到各头、尾节点词语的概率，选择各头、尾节点词语得到关键词集合，并生成对话回复。解决了目标导向对话方法不准确，用户满意度低的问题。
-
公开(公告)号：CN117475266A
公开(公告)日：2024-01-30
申请号：CN202311375651.4
申请日：2023-10-23
Applicant: 天津大学 , 厦门盈趣科技股份有限公司
Abstract: 本发明公开了一种基于多专家注意力融合的机器人视觉感知方法及装置，包括：基于全局平均池化层从所述特征图中确定综合表征，根据综合表征确定预测条件概率；样本通过门控网络模块得到专家分数权重，所述专家分数权重和所述专家分数通过加权融合模块得到最终分数；对所述特征图进行范数标准化计算得平均特征图，根据所述最终分数的最大值和加权后的平均特征图计算特征分数；根据预测条件概率从特征分数中确定已知样本阈值，根据未知样本检测模块和所述已知样本阈值判断样本属于已知样本或未知样本；机器人根据识别出的样本确定当前的环境信息。装置包括：处理器和存储器。通过本发明使得智能机器人在对安全性要求较高的环境下做出更智能、更合理的决策，提高智能机器人的安全性。
-
-
公开(公告)号：CN111597175B
公开(公告)日：2023-06-02
申请号：CN202010374180.5
申请日：2020-05-06
Applicant: 天津大学
IPC: G06F16/215 , G06F16/29 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明提供了一种融合时空信息的传感器缺失值的填充方法，包括：输入N条历史数据X以及M条有缺失的数据Xmissing；其中M，N大于输入时序长度T；填充阈值η，将历史数据输入训练好的LSTM‑AES之后，η＝std(X‑X')；得到已训练模型LSTM‑AES；已修复数据Xrepaired；将原数据划分成时序数据集；初始化LSTM‑AES；然后使用Tensorflow进行网络初始化；使用神经网络常用的反向传播算法更新LSTM‑AES的权值W；进行缺失值填充。本发明同时考虑了时空信息，能够在有大量传感器同时缺失时较为鲁棒，并能够训练单一模型处理不同类型的缺失，能够满足传感器缺失值填充的实时性需求。
-
公开(公告)号：CN115937055A
公开(公告)日：2023-04-07
申请号：CN202211579296.8
申请日：2022-12-07
Applicant: 天津大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明公布了一种基于模态一致性的多模态图像重建方法，步骤S1、构建基于生成对抗网络的多模态图像重建网络模型；步骤S2、利用多模态图像数据集训练多模态图像重建模型，该模型输入为同一对象缺失某一模态的多模态图像，通过生成器重建目标模态图像；将目标模态的真实图像和重建图像输入判别器中，训练判别器进行真假判别；将目标模态的真实图像输入判别器的分类分支，训练网络生成目标模态图像；将判别器提取的特征再输入解码器中，重建目标模态图像，构成重建约束；步骤S3、训练好的生成对抗网络作为重建网络，将同一对象缺失任一模态的多模态图像输入重建网络，输出目标模态重建图像。本发明生成的多模态图像具有更加真实和准确的细节。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.046 seconds)
