-
公开(公告)号：CN115841142A
公开(公告)日：2023-03-24
申请号：CN202310134058.4
申请日：2023-02-20
IPC: G06N3/065 , G06N3/0464 , G06N3/08 , G06N3/049
Abstract: 本发明公开了基于深度脉冲神经网络的视觉皮层模拟方法及相关设备，所述方法包括：将与生物实验中相同的图片刺激输入到预训练的深度脉冲神经网络，得到各层的脉冲响应；采用表征相似性分析RSA或者典型相关分析CCA度量深度脉冲神经网络各层的脉冲响应和真实生物神经响应之间的相似性；选择最高的神经相似性得分作为深度脉冲神经网络的结构针对相应脑区的得分，并记录得分最高的层以与生物视觉系统进行对比。本发明利用深度脉冲神经网络对神经系统视觉皮层进行建模，可以直接与生物实验记录的时序信号进行比较，取得了相对于相似结构卷积神经网络更高的神经相似性得分，同时也在网络结构和信息处理机制方面更好地匹配了真实神经系统的性质。
-
公开(公告)号：CN115422964A
公开(公告)日：2022-12-02
申请号：CN202210860369.4
申请日：2022-07-21
Applicant: 北京大学
Abstract: 本申请涉及一种面向超高速运动场景的双目脉冲深度数据采集方法及装置。其中，所述方法包括：采集运动场景下的双目脉冲信号；对所述双目脉冲信号进行特征提取，获取所述运动场景下的脉冲信号降维特征；根据所述脉冲信号降维特征和注意力机制模型，预估所述运动场景下的双目脉冲特征点匹配关系；对所述双目脉冲特征点匹配关系进行视差回归计算，确定所述运动场景下的预估深度图。本申请可有效地解决传统相机在高速运动模糊、过曝光或低光照等运动场景下无法进行深度估计的问题。
-
公开(公告)号：CN115099262A
公开(公告)日：2022-09-23
申请号：CN202210550446.6
申请日：2022-05-20
Applicant: 北京大学
Abstract: 本申请公开了一种时空脉冲信号的上采样方法、装置、设备及存储介质，所述方法包括：采集目标物体的时空脉冲信号；估计所述脉冲信号的运动轨迹，并根据所述运动轨迹上的脉冲数量确定主脉冲信号以及噪声信号；分别对所述主脉冲信号以及噪声信号进行上采样，得到上采样后的主脉冲信号以及噪声信号；将所述上采样后的主脉冲信号以及噪声信号进行合并，生成最终的上采样信号。根据本申请实施例提供的时空脉冲信号的上采样方法，可以将稀疏的脉冲信号上采样成稠密的脉冲信号，使得上采样后的脉冲信号可靠且有依据，有效解决时空脉冲信号稀疏性带来的问题，为基于脉冲信号的视觉任务提供更多有效数据，提升基于脉冲的下游任务性能。
-
公开(公告)号：CN110457503B
公开(公告)日：2022-03-25
申请号：CN201910701690.6
申请日：2019-07-31
Applicant: 北京大学
Abstract: 本发明公布了一种快速优化深度哈希图像编码方法及目标图像检索方法，基于贪心策略，针对大型图像数据集，建立哈希图像编码模型，通过优化后得到的深度哈希编码网络生成所有图像的二值编码。在进行目标图像检索时，可通过计算查询图像编码和数据库图像编码之间的汉明距离，迅速得到查询图像的同类相似图像。本发明方法结合神经网络更好地解决了梯度消失和量化误差问题，编码性能更优；用更少的迭代次数完成深度网络的训练过程，训练速度更快；能应用于各种带离散约束的问题，应用范围更广；进一步提高深度神经网络的优化速度和所生成图像编码的检索性能，有效提高了大型图像数据库的检索精度。
-
公开(公告)号：CN108764292B
公开(公告)日：2022-03-18
申请号：CN201810390879.3
申请日：2018-04-27
Applicant: 北京大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于弱监督信息的深度学习图像目标映射及定位方法。该方法包括：使用带有类别标签的图像数据分别训练两个深度卷积神经网络框架，得到分类模型M1和分类模型M2，并获取全局带参可学习池化层参数；使用新的分类模型M2对测试图像进行特征提取，得到特征图，根据特征图通过特征类别映射及阈值法得到初步定位框；使用选择性搜索方法对测试图像进行候选区域提取，使用分类模型M1筛选类别出候选框集合；对初步定位框和候选框进行非极大值抑制处理，得到测试图像最终的目标定位框。本发明引入全局带参可学习池化层，能够学习得到关于目标类别j的更好的特征表达，并通过使用选择性特征类别映射的方式，有效得到图像中目标物体的位置信息。
-
Patent Agency Ranking
公开(公告)号：CN112862073A
公开(公告)日：2021-05-28
申请号：CN202110150563.9
申请日：2021-02-03
Applicant: 北京大学
Abstract: 本发明公开了一种压缩数据分析方法、装置、存储介质及终端，该方法包括：获取目标数据，并将所述目标数据进行压缩后生成压缩数据；将所述压缩数据输入预先训练的压缩数据分析模型中；其中，所述预先训练的压缩数据分析模型基于训练数据压缩后的压缩等级从选择性批归一化模块中选择不同的归一化模块和特征约束模块进行训练后生成；输出所述目标数据对应的分析结果。因此，采用本申请实施例，由于本申请利用神经网络结合选择性批归一化模块和特征约束模块来对压缩数据进行分析，从而提升了模型的分析性能，进一步提升了分析结果的准确度。
-
公开(公告)号：CN111756352A
公开(公告)日：2020-10-09
申请号：CN202010421862.7
申请日：2020-05-18
Applicant: 北京大学
IPC: H03H17/02
Abstract: 本发明公开了一种脉冲阵列时域滤波方法，包括：在监测区域内的各个空间位置建立短时程可塑性模型；将脉冲阵列输入所述短时程可塑性模型，获得各个空间位置的后突触电位值、神经递质剩余量和/或神经递质释放概率；根据同一空间位置的当前时刻产生的脉冲信号与上一个脉冲信号对应的后突触电位值的差值、神经递质剩余量的差值和/或神经递质释放概率的差值，去除该空间位置当前时刻产生的脉冲信号。通过上述方法，可以将阵列中跟检测物体无关的背景脉冲信息去除，处理后的脉冲阵列信号可用于运动物体的检测、跟踪、识别。
-
公开(公告)号：CN111191520A
公开(公告)日：2020-05-22
申请号：CN201911260885.8
申请日：2019-12-10
Applicant: 北京大学
IPC: G06K9/00
Abstract: 本发明公开了一种用于动作识别的人体骨架压缩方法，包括：获取待识别的人体骨架数据，其中所述人体骨架数据是由时间和关节构成的矩阵；计算所述人体骨架数据中每个关节的运动得分，并按照所述运动得分从高到低的顺序对所述人体骨架数据中的每个关节进行排序，按照顺序选择预设数目的关节作为保留关节；根据所述保留关节对所述人体骨架数据进行压缩，得到压缩数据；根据所述压缩数据对人体动作进行识别。通过上述方法，可以将骨架数据流压缩到较小的带宽，同时保持动作识别的精度尽可能高。
-
公开(公告)号：CN110807467A
公开(公告)日：2020-02-18
申请号：CN201910882778.2
申请日：2019-09-18
Applicant: 北京大学
Abstract: 本发明涉及深度学习领域，特别涉及一种基于支持点学习的开集类别发掘方法与装置。包括：将样本输入训练好的深度神经网络获得样本特征，计算样本特征与每个类别的支持点集的距离，根据分类阈值和最大距离确定样本为未知样本或已定义样本，如果是已定义类别样本，对样本进行分类,如果是未知样本，对样本进行拒绝。本发明解决如今开集识别训练阶段不能引入未知信息的问题。
-
公开(公告)号：CN110426560A
公开(公告)日：2019-11-08
申请号：CN201910577877.X
申请日：2019-06-28
Applicant: 北京大学
Abstract: 本发明公开了一种脉冲阵列信号时空上采样器生成方法，包括：根据脉冲阵列信号空域和/或时域上采样需求参数，构建能使脉冲阵列信号由一端传输到另一端的神经网络；获取训练用输入信号和训练用输出信号；利用训练用输入信号和训练用输出信号将所述神经网络训练为上采样器；训练用输入信号为原始脉冲阵列信号，训练用输出信号为对原始脉冲阵列信号进行空域上采样和/或时域上采样得到的上采样信号。本发明增加了脉冲阵列的时域采样频率，从而提高了空间分辨率，适用于高速应用需求；增加了脉冲阵列空域采样频率，适用于视觉任务空间分辨率需求。
-
-
-
-
-
-
-
-
-
Search Results
229
records
(took 0.061 seconds)
