-
公开(公告)号：CN114387623B
公开(公告)日：2024-05-31
申请号：CN202210052862.3
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06V40/10 , G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于多粒度块特征的无监督行人重识别方法，用于解决无监督行人重识别精度不高，行人特征表示辨别力不强的问题，提升了模型的可扩展性。首先引入了多粒度块特征提取模块，使得模型在能获取数据集公共的细粒度判别信息的同时能够关注到无标签数据集特有的较大粒度的特征；然后使用单粒度实例判别性学习模块挖掘不同单一粒度的实例级特征；在此基础上，进一步使用多粒度实例判别性学习模块获得更具有判别力的多粒度全局特征表示。本发明能够在无标签的情况下获得判别力较强的行人特征，从而保证较好的识别效果。
-
公开(公告)号：CN114550252A
公开(公告)日：2022-05-27
申请号：CN202210153141.1
申请日：2022-02-18
Applicant: 北京工业大学
Abstract: 一种基于注意力机制的人脸识别方法，属于计算机软件领域。针对现有的主流的人脸识别方法参数量大、资源占用多、运行效率较低的问题，首先构建了一个低参数量的卷积神经网络来保证保证计算过程的高效和低资源消耗。然后加入注意力机制捕获提取其中的跨通道信息，以优化卷积神经网络的整体性能。同时，注意力的引入并不增添多少额外的性能损失和资源消耗。本发明可以在保证高效、快速的进行人脸特征提取的基础上，进一步提升人脸识别的准确率，提升整体效率。
-
公开(公告)号：CN114492444A
公开(公告)日：2022-05-13
申请号：CN202210123929.8
申请日：2022-02-10
Applicant: 北京工业大学
Abstract: 本发明公开了一种中文电子病例医疗实体词类标注方法，该方法包括两部分，第一部分为细粒度中文电子病历医疗实体类别划分规则制定与语料数据集构建；第二部分为基于结合门控注意力机制的中文电子病历医疗实体词类标注方法；根据中文电子病历文本特点制定了一种细粒度中文电子病历医疗实体标注规则，同时依照此规则构建了中文电子病历医疗实体语料数据集，并且基于中文电子病历行文特点发明了一种结合门控注意力机制的GATTLCN模型，通过门控注意力网络动态选择需要重点关注的上下文元素来增强文本聚焦，提升模型效果。运用此发明解决了中文电子病历细粒度医疗实体词类标注方面存在的不足。
-
公开(公告)号：CN114418849A
公开(公告)日：2022-04-29
申请号：CN202210052778.1
申请日：2022-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于实例空间特征调制和反馈机制的图像超分辨率重构方法，用于解决将低分辨率图像重构成高分辨率图像的问题。首先通过实例空间特征调制器提取低分辨率图像的实例空间特征，并基于提取的特征对低分辨率图像的超分辨率重构特征进行实例空间特征特征，然后将调制后的超分辨率重构特征输入包含投影模块的反馈重构子网进行循环重构，经多次的重构迭代优化后，得到最终的超分辨率重构结果。在超分辨率重构特征中引入实例空间特征并使用循环神经网络进行多次重构迭代优化，不仅会更好地重构低分辨率图像，而且在图像实例的纹理信息方面效果显著，大大地提升了图像重构的效果。
-
公开(公告)号：CN114266757A
公开(公告)日：2022-04-01
申请号：CN202111606103.9
申请日：2021-12-25
Applicant: 北京工业大学
Abstract: 一种基于多尺度融合注意力机制的糖尿病性视网膜病变分级方法属于计算机软件领域，针对目前无法提取不同尺度病灶特征且难以关注重要病灶导致分级任务准确率低下的弊端。首先，使用具有不同卷积核大小的过滤器从眼底图像中提取特征，并给不同尺度的特征赋予不同的权重，使得深度学习网络可以学习并选择不同尺度的特征，以提高网络对于不同类型和尺寸病灶的识别能力。同时，融合不同尺度的特征，并使用融合了空间和通道信息的注意力机制对融合后的特征进行权重分配，以加强对高价值特征的选择，从而抑制其他无用特征，以此来提高分级准确率。本发明可以有效地提高对糖尿病性视网膜病变的分级准确率。
-
Patent Agency Ranking
公开(公告)号：CN114266276A
公开(公告)日：2022-04-01
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
Abstract: 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称“MCA‑EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。
-
公开(公告)号：CN108229078B
公开(公告)日：2021-11-05
申请号：CN201810222644.3
申请日：2018-03-19
Applicant: 北京工业大学
IPC: G06F30/20
Abstract: 本发明公开一种城市交通场景中基于规则的群体运动模拟方法，包含如下步骤：采集城市交通场景中的路网信息和规则信息，建立路网信息和规则信息模型；建立基于线性参考方法的城市交通路网模型，并以模型中的路片为基本单元，对线性要素的每一个部分关联不同的规则信息；建立基于多智能主体、分布式人工智能系统和规则信息的群体运动模型；将路网信息和规则信息输入到城市交通场景中的群体运动模型中，从而使群体运动模型中的车辆和人群等交通参与者根据道路交通规则以及各群体之间的聚集程度，进行仿真运动，并且能够根据目的地进行合理的路径规划。
-
公开(公告)号：CN113269048A
公开(公告)日：2021-08-17
申请号：CN202110474878.9
申请日：2021-04-29
Applicant: 北京工业大学
Abstract: 本发明公开基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法，针对脑电信号信噪比低、样本量较小的问题，将经验模态分解方法与白噪声数据增强方法结合，提出基于经验模态分解的混合噪声数据增强方法，通过提取原始信号的主要信息与白噪声进行混合，提高生成样本质量，从而训练出准确率更高、稳定性更强的分类器；将滤波器组的思想和浅层神经网络相结合，提出轻量、收敛速度快的FB‑Sinc‑ShallowNet方法，提高深度学习方法的分类准确率；应用欧式对齐方法对脑电信号进行预处理，减少不同时间得到的脑电信号之间的差异，降低分类难度，提高分类准确率。本发明能够提高运动想象脑电信号分类模型的预测准确率和稳定性。
-
公开(公告)号：CN108154150B
公开(公告)日：2021-07-23
申请号：CN201711369001.3
申请日：2017-12-18
Applicant: 北京工业大学
Abstract: 本发明公开一种基于背景先验的显著性检测方法，首先将彩色图像及深度图像作为输入，然后通过预处理操作对输入的图像进行超像素分割及深度图质量评估，然后基于深度选择性差异和背景先验，计算每个超像素区域的初始显著值，最后通过代价函数的最小化对初始显著图进行优化，从而得到最终的显著性检测结果。应用本发明，不仅解决了传统的基于彩色图像的显著性检测方法无法检测到与背景具有相似视觉特征物体的问题，还解决了仅仅依靠深度信息进行显著性检测时，无法忽略底部背景区域而导致的误检问题。本发明适用于同时具有彩色图像及深度图像时的显著性检测，总体效果良好，能有效地检测出显著物体，准确率较高。
-
公开(公告)号：CN112633058A
公开(公告)日：2021-04-09
申请号：CN202011226134.7
申请日：2020-11-05
Applicant: 北京工业大学
Abstract: 基于特征融合的正面步态识别方法，属于模式识别技术领域。该方法主要针对解决单一特征步态识别率低的问题，首先提取步态能量图中的动态区域并利用Gabor小波变换提取特征，由于提取后的特征维度较高，需进行降维处理，针对传统PCA降维分类性较差的缺点，本发明将降维后的数据作为静态特征。根据人体下四分之一区域左右两侧像素点数比值的变化获取步态周期并将其用于描述步态序列的动态特征，基于特征融合的思想，本发明首次将利用PCA与LDA降维后的静态数据特征与描述步态序列的动态特征相融合，最后将融合的特征向量输入到基于多分类的支持向量机中，完成步态的分类和识别。相比较单一特征的步态识别方法，本发明提出的融合算法表现出更好的识别性能。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.032 seconds)
