-
公开(公告)号：CN111899284B
公开(公告)日：2024-04-09
申请号：CN202010816457.5
申请日：2020-08-14
Applicant: 北京交通大学
IPC: G06T7/246 , G06N3/0464
Abstract: 本发明实施例提供了一种基于参数化ESM网络的平面目标跟踪方法，包括：S1、获取目标模板T、第t帧的输入图像以及第t帧中的初始运动参数，由初始运动参数确定输入图像的目标区域It，对目标模板T和目标区域It进行预处理，包括图片缩放和归一化操作，使用特征提取网络对预处理后的目标模板T和第t帧的输入图像的目标区域It进行特征的提取，得到特征映射FT和FtI；S2、利用相似性度量模块计算两个特征映射FT和FtI之间的差异；S3、通过遮挡检测机制确定并排除目标在当前帧中被遮挡的部分，通过最小化当前帧中未被遮挡部分的差异求解目标的运动参数。本发明的方法更适用于目标跟踪任务，而且大大提高跟踪的准确性。
-
公开(公告)号：CN111881840B
公开(公告)日：2023-09-22
申请号：CN202010748159.7
申请日：2020-07-30
Applicant: 北京交通大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于图网络的多目标跟踪方法，图网络包括特征提取网络模块和图卷积匹配模块，具体包括以下步骤：S1、选取视频中的两帧图像输入特征提取网络模块；S2、通过特征提取网络模块对目标进行特征的提取，获取两帧图像各自的目标特征向量集FM和FN，M和N分别表示两帧图像中检测到目标的数量；S3、基于目标特征向量集FM和FN，计算目标特征向量之间的相似度，构建二部图；S4、通过所述图卷积匹配模块对二部图进行匹配，并利用损失函数进行图网络的反向传播获得最优的匹配矩阵。本发明提供的一种基于图网络的多目标跟踪方法，利用卷积网络对目标进行特征提取，并且提出的损失函数解决了目标数量不确定的问题，大大提高多目标跟踪的正确率。
-
公开(公告)号：CN115240106A
公开(公告)日：2022-10-25
申请号：CN202210815080.0
申请日：2022-07-12
Applicant: 北京交通大学
IPC: G06V20/40 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种任务自适应的小样本行为识别方法及系统，属于计算机视觉技术领域，获取待识别的视频数据；利用预先训练好的识别模型，对获取的所述待识别的视频数据进行处理，得到动作类别结果加入注意力层，提取行为主体在图片帧中的位置信息以及图像内容信息，通过注意力机制对提取的特征特征进行调制，获取同一类动作的类内特征共性以及不同类动作的类间的差异性。本发明提取特征时加入注意力层，产生更具分辨性的特征表示；对同类行为中不同样本进行随机多模态融合，扩充了支持集数据，使得模型对行为主体所在环境的变换鲁棒性更强；通过task级的特征调制，使特征更符合当前任务的需求并聚焦于行为主体，有助于提高分类准确率。
-
公开(公告)号：CN113870160A
公开(公告)日：2021-12-31
申请号：CN202111060998.0
申请日：2021-09-10
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于变换器神经网络的点云数据处理方法。该方法包括：构建三维物体对称检测模型，通过检测物体对称面/轴获取输入的点云数据的对称点，将点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；通过变换器网络模型提取多组数据据增强后的点云图数据的全局特征信息和局部特征信息，得到下采样后的点云数据；结合不同的目标任务需求，构建任务驱动的任务网络模型，将下采样后的点云数据输入到任务网络模型，得到目标任务结果。本发明有效结合三维物体对称检测模型与变换器网络模型，能够在提高下采样模型鲁棒性的同时，进而具有最小化目标任务精度损失的能力，提升下采样规模和目标任务的精确度。
-
公开(公告)号：CN112800876A
公开(公告)日：2021-05-14
申请号：CN202110050152.2
申请日：2021-01-14
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种用于重识别的超球面特征嵌入方法，包括以下步骤：图像预处理阶段：从数据集中读取目标样本图像，对图像进行预处理；特征提取阶段：将预处理后的图像输入到深度网络模型提取图像的特征映射并结合注意力机制的全局池化操作得到特征向量；损失计算及训练优化阶段：根据所述特征向量和目标ID标签分别计算三种损失函数损失的值，根据损失的值计算深度卷积神经网络参数的梯度对模型进行优化；测试评估阶段：对训练完成的深度网络模型进行测试并根据测试结果调整超参数。本发明还提供了一种用于重识别的超球面特征嵌入系统，包括：图像预处理模块、特征提取模块、超球面特征嵌入模块和测试模块。
-
Patent Agency Ranking
公开(公告)号：CN112349057A
公开(公告)日：2021-02-09
申请号：CN202011384257.3
申请日：2020-12-01
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度学习的室内烟雾和火灾检测方法。该方法包括：建立烟雾和火灾数据集，对烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集；使用深度学习框架构建卷积深度网络模型，利用训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型；将待测的图像输入到训练好的卷积深度网络模型，训练好的卷积深度网络模型输出所述待测的图像的烟雾和火灾检测结果。本发明的方法利用摄像头获取的图像数据，通过卷积神经网络模型对图像数据中的烟雾、火灾进行实时预测，不仅极大地降低了人力成本，而且提高了烟雾、火灾的识别准确率。
-
公开(公告)号：CN109241816B
公开(公告)日：2020-10-27
申请号：CN201810705733.3
申请日：2018-07-02
Applicant: 北京交通大学
Abstract: 本发明公开一种基于标签优化的图像再识别损失函数确定方法，包括获取原始多张有标签的图片，并通过生成对抗网络生成多张没有标签的图片；对每张有标签的图片和每张没有标签的图片进行特征提取；计算多个类的所述多张有标签的图片的类中心和所述多张没有标签的图片的多个簇及每个簇的簇中心；计算所述簇中心和每个所述类中心的欧式距离；根据所述欧式距离计算每个簇到所述多个类的损失函数的概率系数，得到损失函数，本发明还公开了一种基于标签优化的图像再识别系统，解决有标签的图片不多时易出现的过拟合现象，提高再识别准确度。
-
公开(公告)号：CN111581468A
公开(公告)日：2020-08-25
申请号：CN202010412161.7
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种基于噪声容忍的偏多标记学习方法。该方法包括构建训练数据的特征矩阵X、可观测标签矩阵Y和特征填充矩阵E；根据特征矩阵X、可观测标签矩阵Y和特征填充矩阵E挖掘特征空间和标记空间一致性信息，构建基于噪声的偏多标记学习模型，通过选择迭代优化方法对偏多标记学习模型进行训练，得到多标签分类器V；将未知样本输入到多标签分类器V，多标签分类器V输出所述未知样本的标签信息。本发明提出的基于噪声容忍的偏标记学习方法，该方法不进行标记消歧，而是补充样本缺失的特征信息，达到噪声标记能够参与模型训练过程的目的。该算法充分利用缺失特征信息的低秩性，辅助算法学习更鲁棒的分类模型，实现对未知样本的准确分类。
-
公开(公告)号：CN111581467A
公开(公告)日：2020-08-25
申请号：CN202010411587.0
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种基于子空间表示和全局消歧方法的偏标记学习方法。该方法包括：构建特征矩阵和候选标记矩阵；基于构建特征矩阵和候选标记矩阵，构建特征子空间学习模型和标记全局消歧模型；综合特征子空间学习模型和标记全局消歧模型得到混合模型，采用交替优化方法求解混合模型，得到多分类模型、映射矩阵和偏标记置信度矩阵；根据多分类模型和映射矩阵对未见示例进行分类，计算出未见示例的多个标记值，将预测置信度最高的标记值对应的标记确定为未见示例所属的标记类别。本发明可同时利用特征子空间表示法和标记全局消歧方法，同时从特征和标记两方面解决偏标记学习问题，所获特征具有更强表征能力；生成的标记置信度矩阵有更好的消歧效果。
-
公开(公告)号：CN108764018A
公开(公告)日：2018-11-06
申请号：CN201810289603.6
申请日：2018-04-03
Applicant: 北京交通大学
CPC classification number: G06K9/00825 , G06K9/6215 , G06N3/0454
Abstract: 本申请公开一种基于卷积神经网络的多任务车辆再识别方法及装置,所述方法包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。本申请基于CNN的多任务方法进行车辆的再识别任务，针对目前主流车辆再识别CNN模型的缺点，提出了结合识别模型和校验模型的基于CNN的多任务模型，不仅拥有识别模式的优点，也有校验模型的优点，提高了车辆再识别的精确率，并且采用优化算法，有实现简单，训练速度快的特点，便于在实际环境下应用。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.06 seconds)
