-
公开(公告)号：CN113052016A
公开(公告)日：2021-06-29
申请号：CN202110257506.0
申请日：2021-03-09
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多尺度注意力残差和等变映射的人脸超分辨率方法，首先通过卷积层提取低分辨率人脸侧面图像的浅层特征；然后，将浅层特征输入特征提取子网，经过n个多尺度注意力残差模块，获得深层特征；进一步将获取的深层特征输入到残差等变映射模块，在深层表征特征空间中将深层特征和融合偏航系数的残差特征结合，将侧面人脸的特征向量变换到与正面人脸相同的特征向量空间；最后经过重建模块，获得高分辨率的人脸正面图像。本发明适用于人脸识别，不再过度依赖大量的正脸侧脸数据对，对于输入的低分辨率的侧脸图像可以重建出清晰度高、纹理更真实的正脸图像。
-
公开(公告)号：CN110555083B
公开(公告)日：2021-06-25
申请号：CN201910790569.5
申请日：2019-08-26
Applicant: 北京工业大学
IPC: G06F16/28
Abstract: 一种基于zero‑shot无监督实体关系抽取方法属于计算机领域，通过提取文本数据中的三元组特征和领域知识图谱中的实体关系类型特征，并计算它们之间的相似度来判断实体关系类别，从而减少传统实体关系抽取方法对人工标注的依赖，并提高实体关系抽取的准确率。方法包括：数据预处理、特征提取、训练关系抽取网络模型和实体关系分类器。本方法将采用善于捕捉句子信息的卷积神经网络模型来分别提取三元组和关系类型特征，最后使用softmax预测实体关系类型标签。在模型构建过程中，可以利用稀疏标记的语料库作为训练集，在测试过程中也可以利用与训练过程中相同的参数来预测未标注三元组的类型。
-
公开(公告)号：CN108108762B
公开(公告)日：2021-03-16
申请号：CN201711399080.2
申请日：2017-12-22
Applicant: 北京工业大学
Abstract: 本发明公开一种用于冠心病数据的核极限学习机及随机森林分类方法，采用Bootstrap方法对冠心病样本集进行有放回的采样，生成不同的冠心病数据训练子集和测试子集以供基分类器使用；采用混合核形式的核函数作为核极限学习机的核函数，减少核类型对分类模型的性能影响；使用冠心病数据训练子集对核极限学习机进行模型训练并使用测试子集对基分类器进行性能测试，采用排序加粒子群优化的方式循环判断重新生成优化的新基分类器，剔除并代替分类性能较差的基分类器，从而达到提高整体分类性能的目的；形成随机森林模型之后，采用相对多数投票法选取分类结果。
-
公开(公告)号：CN109902612B
公开(公告)日：2021-01-08
申请号：CN201910133470.8
申请日：2019-02-22
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法首先提取视频中的运动块，然后从局部和全局两个不同的角度进行异常检测，通过多样化的检测角度使得检测结果更加准确。在局部异常检测中，首先对视频中的运动块进行扩展，然后以扩展后的运动块为基本检测单位，分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域运动块之间的差异性；在全局异常检测中，首先对视频中的运动块进行聚类提取运动目标，然后在运动目标序列上使用滑动窗口，比较窗口内两个运动目标之间的差异性，最后基于一致性对检测结果进行优化。本发明适用监控视频的异常检测，计算复杂度低，检测结果准确，鲁棒性好。本发明在视频分析技术领域有着广泛的应用。
-
公开(公告)号：CN107274419A
公开(公告)日：2017-10-20
申请号：CN201710555319.4
申请日：2017-07-10
Applicant: 北京工业大学
Abstract: 本发明公开一种基于全局先验和局部上下文的深度学习显著性检测方法，首先对彩色图像和深度图像进行超像素分割，基于每个超像素的紧凑性、独特性和背景性等中层特征，获得每个超像素的全局先验特征图，并进一步通过深度学习模型，得到全局先验显著图；然后，结合全局先验显著图和彩色图像与深度图像中的局部上下文信息，通过深度学习模型，得到初始显著图；最后，依据空间一致性和外观相似性优化初始显著图，得到最终显著图。应用本发明，解决了传统显著性检测方法无法有效检测到复杂背景图像中的显著物体，还解决了现有的基于深度学习的显著性检测方法由于提取出的高层特征存在噪声而导致误检的问题。
-
Patent Agency Ranking
公开(公告)号：CN106991669A
公开(公告)日：2017-07-28
申请号：CN201710150961.4
申请日：2017-03-14
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于深度选择性差异的显著性检测方法。该方法首先获取深度图像作为输入，然后对每一张深度图像进行平滑处理，接着计算每一个分割区域的选择性差异值，最后依据中心偏好优化初始显著图，从而得到最终的显著性检测结果。应用本发明，不仅解决了单纯基于彩色图无法检测到与背景具有相似视觉特征物体的问题，还解决了基于深度图像忽略底部背景区域从而导致误检的问题。本发明适用于深度图像的显著性检测，计算复杂度较低，检测结果准确。本发明在图像处理和计算机视觉领域有着广泛的应用。
-
公开(公告)号：CN114418849B
公开(公告)日：2025-01-14
申请号：CN202210052778.1
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06T3/4053 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
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：CN114266276B
公开(公告)日：2024-05-31
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0464 , A61B5/00 , A61B5/372
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：CN113052017B
公开(公告)日：2024-05-28
申请号：CN202110258611.6
申请日：2021-03-09
Applicant: 北京工业大学
IPC: G06V40/10 , G06V10/774 , G06V20/52 , G06V10/764
Abstract: 本发明公开了一种基于多粒度特征表示和域自适应学习的无监督行人重识别方法，用于解决无监督行人重识别跨域识别精度不高，行人特征表示辨别力不强的问题，提升模型的可扩展性。首先引入多粒度特征提取模块，得到行人图像具有更丰富判别信息的多粒度特征表示；对于源数据集中有标签的行人图像，源域分类模块对其进行分类学习，为域自适应学习模块提供源域的行人判别知识；域自适应模块基于从源域中获得的判别知识，充分挖掘目标数据集中潜在的判别信息。本发明能够获得较强的行人特征表示，考虑目标域与源域的差异因素，在无标签的目标域识别精度较高，并保持稳定的识别效果。
-
公开(公告)号：CN117894079A
公开(公告)日：2024-04-16
申请号：CN202410117613.7
申请日：2024-01-26
Applicant: 北京工业大学
IPC: G06V40/20 , G06V20/40 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于长短时序特征增强和关键帧特征提取的小样本动作识别方法，首先通过额外引入图像的近红外模态来缓解可见光图像的局限性得到融合特征；提取视频帧序列不同时间尺度的局部短期时序信息，从而增强模型对于局部短期时序信息的捕获能力；提取视频的全局长期时序信息，减少被遮挡帧对识别的影响；通过比较每帧的特征向量与全局特征向量之间的余弦相关性，将视频帧序列中判别性更强、与动作相关性更大的帧作为关键帧，并提取关键帧特征；将融合特征、长短时序增强特征和关键帧特征在特征维度连接得到动作特征；通过小样本分类器对动作特征进行识别，完成小样本动作识别任务。该方法使用交叉熵损失优化模型以提高识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.039 seconds)
