-
公开(公告)号：CN103914685A
公开(公告)日：2014-07-09
申请号：CN201410083226.2
申请日：2014-03-07
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本申请公开了一种基于广义最小团图和禁忌搜索的多目标跟踪方法，包括以下步骤：步骤1、在一段视频的各帧图像中进行目标检测，当在一帧或多帧图像中检测到一个或多个目标时，记录并输出被检测到的各个目标在相应帧图像中的位置、相应帧图像在视频中的时间位置及各个目标在相应帧图像中的大小；步骤2、根据每帧图像中的各个目标的像素值及所述各个目标在相应帧图像中的位置以及大小，计算每帧图像中的各个目标的外观特征及运动特征；步骤3、根据所计算的每帧图像中的各个目标的外观特征及运动特征，在已记录的各个目标在相应帧图像中的位置中提取出属于同一目标的多个位置，并根据相应帧图像在视频中的时间位置，将其连接成为同一目标的轨迹。
-
公开(公告)号：CN103888770A
公开(公告)日：2014-06-25
申请号：CN201410098019.4
申请日：2014-03-17
Applicant: 北京邮电大学
IPC: H04N19/40 , H04N19/176 , H04N19/513 , H04N19/96
Abstract: 本申请公开了一种基于数据挖掘的高效自适应的视频转码系统、以及方法，该方法包括以下步骤：步骤1、输入第一压缩标准的待转码的视频；步骤2、对所述待转码的视频进行解码，生成待编码的视频，并提取每个视频帧的每个宏块的解码信息；步骤3、将所提取的解码信息输入到编码宏块模式决策树，通过编码宏块模式决策树来确定待编码的视频的每个视频帧的每个宏块将采用的编码宏块模式；步骤4、根据所确定的编码宏块模式、以及每个宏块的运动矢量，对待编码的视频的每个视频帧的每个宏块进行第二压缩标准的编码，从而将待编码的视频编码为第二压缩标准的转码后的视频。
-
公开(公告)号：CN119229121A
公开(公告)日：2024-12-31
申请号：CN202411317174.0
申请日：2024-09-20
Applicant: 北京邮电大学
IPC: G06V10/26 , G06V20/70 , G06V10/80 , G06V10/82 , G06N3/0464 , G06V10/25 , G06V10/764
Abstract: 本发明提供了一种基于多尺度图像内容互补的遥感影像智能分割方法。所述方法包括：将高分辨率遥感数字图像均匀地、低重叠地裁剪成多个易于分割的小尺度切片图像及环绕切片图像的大尺度内容补充图像；将切片图像与缩放后的内容补充图像输入基于卷积神经网络的编码器提取得到不同尺度的特征；将不同尺度的特征通过自注意力加权融合，将融合后的特征再与交叉注意力加权融合，送入解码器与分割网络进行计算，最后输出影像的分割结果。本发明能够有效缓解遥感影像在高分辨率下信息量缺少、低分辨率下细节缺失的问题，同时有效提升分割的精度。
-
公开(公告)号：CN118644712A
公开(公告)日：2024-09-13
申请号：CN202410707319.1
申请日：2024-06-03
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/74 , G06V10/774 , G06N3/0455 , G06N3/084 , G06N3/0985
Abstract: 本发明提供了一种基于局部令牌语义挖掘的长尾参数高效微调方法。所述方法包括：采用预训练的序列化视觉编码器初始化图像特征提取模型，并使用相应的预训练的文本编码器提取类别文本特征对分类器权重进行初始化；然后对图像进行序列化，使用图像特征提取模型和参数高效微调模块提取序列化图像特征；通过语义聚合函数，挖掘并聚合局部序列化特征中局部令牌所包含的语义信息，用以增强序列化特征中的类别令牌特征，获得增强类别令牌特征；然后采用概率控制样本补充策略，灵活地利用增强类别令牌特征对各类别样本进行补充，从而缓解长尾分布问题；最后通过图像分类损失和令牌特征一致性损失监督参数高效微调模块、语义聚合函数和分类器的学习。本发明提出的框架能够应对预训练模型用于下游长尾图像分类任务时，所遇到的的信息不平衡和缺失问题。此框架能够大幅提升基于预训练序列化模型的多种参数高效微调方法及多种分类损失函数在长尾分布场景中的图像分类性能，具有较强的实用性。
-
公开(公告)号：CN118397609A
公开(公告)日：2024-07-26
申请号：CN202410572792.3
申请日：2024-05-09
Applicant: 北京邮电大学
IPC: G06V20/59 , G06V20/70 , G06V10/764 , G06V10/762 , G06V10/80 , G06V10/94
Abstract: 本发明提供了一种基于多模态数据认证的自动驾驶可信监督方法及系统。所述方法及系统包括：构建自适应聚类异常行为检测模型M，涵盖异常动作数据集采集与标注，深度学习模型构建与训练；车端使用预训练模型M计算各帧xi异常状态分类评分f(xi)，根据策略T提取异常帧组Xe；使用基于帧间、帧内预测的组合算法G压缩Xe为比特流Be；使用平台公钥加密Be后上链；监管端与客户端索引解密数据；完整可信监督的事故定责。在本发明中，区块链的可溯源防篡改保证了数据的真实性；与传统监控上链方案相比，本方案大幅节省了账本存储空间，提高了区块链吞吐效率。
-
Patent Agency Ranking
公开(公告)号：CN117689957A
公开(公告)日：2024-03-12
申请号：CN202410014192.5
申请日：2024-01-04
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/20 , G06V10/74 , G06V10/82 , G06N3/09 , G06N3/084 , G06N3/0464
Abstract: 本发明提供了一种基于文本指导傅里叶数据增强的长尾图像识别方法。所述方法包括：基于填平策略，确定长尾训练数据的分布，即设定需要增强的类别比例，对需要增强的类别后续将生成样本以增加其数量与剩余类别中最小样本数持平；根据得到的训练数据分布，进行样本采样，若采样样本为原始样本，则进行传统数据增强，若采样样本为待生成样本，则采用基于文本指导的傅里叶数据增强方法生成新样本作为补充数据，然后进行传统数据增强；将数据增强后的原始样本或者新样本用于有监督对比学习框架，通过分类和对比损失驱动模型进行学习。本发明通过对长尾分布中，训练数据稀少的尾部类别，进行针对性的基于文本指导的傅里叶数据增强，生成新的样本来提升尾部类别数据的多样性，有效的增强了端到端的有监督对比学习方法在长尾图像识别上的性能。
-
公开(公告)号：CN117197603A
公开(公告)日：2023-12-08
申请号：CN202210601232.7
申请日：2022-05-30
Applicant: 北京邮电大学
IPC: G06V10/774 , G06V10/82 , G06V30/40 , G06V30/41 , G06V30/413
Abstract: 本发明提供了一种文档结构化识别方法。所述方法包括：收集所需提取版面的文档，对文档进行简单的标注，同时对模型进行训练；将文档拍照，对其进行文字检测与文字识别，获取文字位置信息与文字内容信息；将获得的文本信息输入到多模态神经网络，融合文本的语义信息和文字位置信息，提取得到不同模态的特征；将所述不同模态的特征进行自适应加权融合，分析出每一个文字所属的结构化类别属性；将结构化类别属性一致的文字进行整理，分别获得不同类型下的文字集合；将不同类别下的文字信息进行整理，获得文档中的结构化分析数据；整理获得最终的结构化识别结果。本发明可以保证检测精度，减少大批量处理文档所需的人力物力。
-
公开(公告)号：CN116978123A
公开(公告)日：2023-10-31
申请号：CN202310953477.0
申请日：2023-07-31
Applicant: 北京邮电大学
Abstract: 本发明涉及图像处理相关领域，具体涉及基于人体姿态估计的运动突发伤情分析方法和装置。其中，方法包括：获取实时的运动视频；基于预设算法，对运动视频中的目标人员进行实时计算，得到实时运动数据；其中，预设算法包括3D人体姿态估计算法和/或人体‑环境接触检测算法；基于实时运动数据，分析目标人员运动突发伤情状况。如此设置，可以对运动员实时录制，得到视频，之后分析得到目标人员(即：运动员)的运动突发伤情状况，以及时对伤情进行处理。进一步的，本申请提供的方法还可以基于视频确定运动员的运动种类、统计运动员的运动时间和记录运动员运动中的精彩瞬间。
-
公开(公告)号：CN116487027A
公开(公告)日：2023-07-25
申请号：CN202310363907.3
申请日：2023-04-06
Applicant: 北京邮电大学 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G16H50/20 , G16H70/60 , G06F18/214 , G06F18/241
Abstract: 本发明提供了一种软组织肿瘤病理自动评分方法及系统。所述方法包括：准备有特征代表性的软组织肿瘤的良恶性病例，构建模型训练所需的数据集；基于数据集及对应的良恶性信息训练深度学习模型；准备目标测试的软组织肿瘤病例，并计算其前景图谱；计算目标病例的滑窗图像块的前景占比，并基于深度学习模型计算图像块的恶性概率；计算不同模式(大肿瘤良恶性对比评分/小肿瘤恶性评分)下的病理数字全切片的恶性评分并输出结果。本发明的方案在训练评分系统的核心模型时不需要采集软组织肿瘤的所有组织学类型，所构建的自动评分方法及系统可在不参考免疫组化结果的情况下，仅依靠苏木精伊红染色的病理切片智能评价软组织肿瘤的良恶程度，在病理医生诊断过程中起到快速、便捷、精确的智能辅助效果。
-
公开(公告)号：CN116452867A
公开(公告)日：2023-07-18
申请号：CN202310362823.8
申请日：2023-04-06
Applicant: 北京邮电大学 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G06V10/764 , G06V10/762 , G06V10/774 , G06T7/155
Abstract: 本发明提供了一种数字图像中细胞的半自动智能标定方法。所述方法包括：准备包含目标类别细胞的待标注图像数据集；对待标注数据集中的目标细胞进行人工椭圆标记；以椭圆标记为参照，根据目标细胞的形状先验知识，设计合适的掩模生成函数；以椭圆标记为参照，选择合适的聚类方法对待标注图像进行聚类；取包含生成掩模和聚类结果的交集为细胞标注初级伪标签；依托椭圆标记构建损失函数，以伪标签训练深度学习分割网络，剔除椭圆标记外的假阳性连通域，剩余结果作为新的细胞标注伪标签；专家校正深度学习生成的伪标签，剔除明显假阳性并补充明显漏检连通域的标注，得到更精确的伪标签；多次重复前两个步骤，直至达到专家满意的标签生成效果，保存智能标定模型和标定结果。本发明的方案结合目标细胞的形状先验，只需要人工对细胞进行椭圆标记，在保证标注生成精度的前提下大幅度削减人工标注成本，可以适用于多种模态下的多种形态的细胞的标定任务，在细胞标注领域具有便捷高效、精度高、适用范围广、泛化性好等优点。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.043 seconds)
