-
公开(公告)号：CN112652299A
公开(公告)日：2021-04-13
申请号：CN202011305779.X
申请日：2020-11-20
Applicant: 北京航空航天大学
Abstract: 本发明提供一种时间序列语音识别深度学习模型的量化方法及装置，本实施例提供的时间序列语音识别深度学习模型的量化方法，包括：获取全精度模型的参数；根据全精度模型的参数和预设的量化算法，确定时间序列语音识别深度学习模型的参数，所述时间序列语音识别深度学习模型为二值模型；在二值模型中新增预设的注意力机制模块，对二值模型输入值的权重进行训练；同时应用预设的损失函数对二值模型的参数进行训练，以降低由全精度模型量化为二值模型时的精度损失。通过本发明实施例提供的时间序列语音识别深度学习模型的量化方法，实现在将深度学习模型量化为二值模型时能够降低精度损失，并且二值模型的表征能力较深度学习模型差异不大。
-
公开(公告)号：CN112381280A
公开(公告)日：2021-02-19
申请号：CN202011231861.2
申请日：2020-11-06
Applicant: 北京航空航天大学
IPC: G06Q10/04 , G06N3/04 , 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。
-
公开(公告)号：CN111739062A
公开(公告)日：2020-10-02
申请号：CN202010507657.2
申请日：2020-06-05
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种基于反馈机制的目标检测方法及系统。该方法包括：获取待检测目标；将所述待检测目标输入至改进的IFF目标检测器，得到目标检测结果；其中所述改进的IFF目标检测器是基于目标检测器，增加IFF模块所获得的。本发明实施例通过在现有的目标检测器中增加IFF反馈模块，将上一次的预测结果作为参考信息反馈给特征图，可以起到滤波的作用，特征图的激活区域将会更加集中于目标区域，还通过将类别信息和位置信息融合，有利于网络捕捉到两者之间的耦合关系。
-
公开(公告)号：CN109146061A
公开(公告)日：2019-01-04
申请号：CN201810904409.4
申请日：2018-08-09
Applicant: 北京航空航天大学
CPC classification number: G06N3/0454 , G06K9/6267
Abstract: 本发明提供一种神经网络模型的处理方法和装置，该方法包括：重复执行以下步骤，直至神经网络模型的损失误差达到预设条件：获取样本图像，输入到神经网络模型，进行拓展处理，得到三维特征图；对每一层卷积层中的原始卷积核进行二值化，得到每一层卷积层的二值化卷积核；根据每一层卷积层中的调制卷积核，对每一层卷积层的二值化卷积核进行调制，生成每一层卷积层的重构卷积核；根据每一层卷积层的重构卷积核和三维特征图，确定最后一层卷积层的三维输出特征图；根据各原始卷积核、二值化卷积核和调制卷积核和三维输出特征图，计算损失误差；根据损失误差，对每一层卷积层中的原始卷积核和调制卷积核进行更新。本方案能够提高神经网络的性能。
-
公开(公告)号：CN114565671B
公开(公告)日：2025-05-09
申请号：CN202210158768.6
申请日：2022-02-21
Applicant: 北京航空航天大学
IPC: G06T7/73 , G06T9/00 , G06V10/74 , G06V10/82 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本申请提供了一种基于自编码器的回环检测方法。所提供的基于自编码器的回环检测方法，包括：在训练场景中采集第一多个图像，从所述第一多个图像生成训练样本训练所述自编码器；在回环检测场景中采集第二多个图像，对所述第二多个图像的每个提取ORB特征点与特征点图像块；用经训练的所述自编码器处理从所述第二多个图像的每个提取的特征点图像块，将所述自编码器的隐藏层输出作为提供给所述自编码器的特征点图像块的特征向量；计算第一图像的同所述第二多个图像的特征向量的相似度来识别回环。
-
Patent Agency Ranking
公开(公告)号：CN119942294A
公开(公告)日：2025-05-06
申请号：CN202411723998.8
申请日：2024-11-28
Applicant: 航天科工集团智能科技研究院有限公司 , 北京航空航天大学
IPC: G06V10/82 , G06V20/50 , G06V10/774 , G06V10/44 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及无人系统自主侦察技术领域，公开一种无人平台环境态势感知自评估系统及方法，包括获取特定场景态势数据和公开数据，对特定场景态势数据处理；对处理后的数据和公开数据学习得到学习模型，将学习模型与卷积神经网络进行结合，微调后作为图片质量预测模型；对图片质量预测模型筛选，得到最终的图片质量预测模型；对待采集的多个态势图片评估，得到多个态势图片各自对应的评估分数，满足条件将评估分数最高的态势图片作为当前位置和当前环境中最有价值的情报图片存储于数据库中，否则重新采集态势图片并对重新采集后的多个态势图片进行评估直至满足预定要求；对评估分数最高的态势图片进行传输前处理，将处理后的图片输出至地面指挥中心。
-
公开(公告)号：CN119418147A
公开(公告)日：2025-02-11
申请号：CN202411434797.6
申请日：2024-10-15
IPC: G06V10/774 , G06N3/0499 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种可持续采样图像的方法，包括：设置扩散模型，并扩展全连接专家模块；多次对扩散模型进行训练，在训练过程中设置常规蒸馏和半过程噪声蒸馏，所述半过程蒸馏用于学习之前所有任务的记忆信息；由训练后的扩散模型输出无遗忘性的高质量图像。本发明公开的可持续采样图像的方法，有效解决了灾难性遗忘问题，不仅保留了学习分布的完整性，而且显著减少了训练时间。
-
公开(公告)号：CN114692680B
公开(公告)日：2024-12-27
申请号：CN202210257465.X
申请日：2022-03-16
Applicant: 北京航空航天大学
IPC: G06F18/24 , G06F18/213 , G06F17/16 , A61B5/00 , A61B5/369
Abstract: 本发明涉及一种脑电信号特征处理方法及装置，所述方法包括获取待测患者在预设时间段内的脑电信号，根据脑电信号得到脑电数据矩阵；以滑动窗口对所述脑电数据矩阵进行截取并进行时延堆叠，得到滑窗增广数据矩阵，并计算模态特征；选取与任务相关的模态向量，将模态向量沿时间进行拼接，得到模态变化信息矩阵并进行空间滤波，得到模态共空间模式；选取区分度最大的模态共空间模式滤波器，分别计算空间滤波后的左、右手运动想象对应模态共空间模式数据的方差信息作为最终特征进行分类。本发明可以基于较少的EEG时间序列数据提取与运动想象相关的全局动态特性，获得大脑模态变化的参数化精确描述，从而提高分类精度，减少脑机接口的控制延时。
-
公开(公告)号：CN114492832B
公开(公告)日：2024-10-01
申请号：CN202111599832.6
申请日：2021-12-24
Applicant: 北京航空航天大学
IPC: G06N20/00 , G06F17/13 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于联想学习的选择性攻击方法及装置，所述方法包括：根据输入图像的全局扰动和空间注意力之间的耦合关系，对所述空间注意力进行优化，以生成联想注意力；根据所述联想注意力和所述全局扰动生成选择性扰动，以根据所述选择性扰动对所述输入图像进行选择性攻击。本发明提供的基于联想学习的选择性攻击方法及装置，基于全局扰动和空间注意力之间的耦合关系，对空间注意力进行优化生成联想注意力，并且基于联想注意力可以更好的实现对输入图像的关键区域的攻击。
-
公开(公告)号：CN118710797A
公开(公告)日：2024-09-27
申请号：CN202410650375.6
申请日：2024-05-24
Applicant: 北京航空航天大学
IPC: G06T15/04 , G06T13/40 , G06V40/16 , G06V20/64 , G06V10/54 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0985
Abstract: 本申请提供一种面部纹理模型训练方法、面部纹理生成方法及装置。该方法包括：获取待训练数据集，待训练数据集包括人脸图像、以及与人脸图像对应的面部纹理图像；根据待训练数据集，确定与面部纹理图像对应的噪声纹理图像潜变量；对人脸图像进行纹理特征提取，得到目标纹理特征、以及条件嵌入向量；根据条件嵌入向量和预设的时间步条件，对噪声纹理图像潜变量进行去噪处理，得到与预设的时间步条件对应的目标去噪纹理图像潜变量；根据噪声纹理图像潜变量和目标去噪纹理图像潜变量，对待训练模型进行训练，得到目标模型。本申请的方法，能够显著提升面部纹理模型的性能，使其生成更加真实、准确和可控的面部纹理图像。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.063 seconds)
