-
公开(公告)号：CN106156890B
公开(公告)日：2018-06-29
申请号：CN201610533001.1
申请日：2016-07-07
Applicant: 北京交通大学
IPC: G06Q10/04
Abstract: 本发明公开了一种城市轨道交通通道内客流检测和预测方法，该方法的步骤包括：基于光传感技术，对通道进口处和出口处的客流量进行采集S1、基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值S2和构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息S3。本发明进一步公开了一种城市轨道交通通道内客流检测和预测系统。采用本方案能够有效地避免因客流密度过大所造成的安全隐患。本发明可以有效地解决城市轨道交通中大曲率通道的客流检测和预测问题，具有很强的创新性、实用性和科研价值。
-
公开(公告)号：CN106249591B
公开(公告)日：2017-07-28
申请号：CN201610822076.1
申请日：2016-09-13
Applicant: 北京交通大学
IPC: G05B13/02
Abstract: 本发明涉及一种针对列车未知扰动的神经自适应容错控制方法。在对列车纵向运动进行受力分析的基础上，建立列车的纵向运动动力方程，根据执行器故障和列车纵向运动动力方程，利用神经网络径向基函数逼近未知附加阻力，建立执行器故障情况下的列车纵向运动动力方程，然后构造比例积分微分滑模面。根据执行器故障情况下的列车纵向运动动力方程，利用未知自适应律和控制器，建立列车闭环动态方程。证明系统的稳定性，进而利用观测器和控制器方程控制列车实际的位移和速度趋近期望的位移和速度。本发明能够补偿执行器故障对列车系统的影响，衰减或去除附加阻力对列车系统的影响，使列车系统具有良好的位置和速度跟踪性能。
-
公开(公告)号：CN119625818A
公开(公告)日：2025-03-14
申请号：CN202411417104.2
申请日：2024-10-11
Applicant: 北京交通大学
IPC: G06V40/20 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多层级特征融合的行为识别方法及装置，包括步骤：步骤S1：多层级特征的收集；步骤S2：时序特征显著性表达；步骤S3：多层次特征融合方法；步骤S4；输出目标任务结果。本发明首次同时考虑了三维卷积神经网络中的时序感受野首先问题和不同运动速率分辨能力弱的问题，使三维卷积神经网络在维持计算开销变化不大的情况下有效提升行为识别的准确率。本发明设计了时序特征显著性表达机制，通过对特征进行显著性表达处理，获取全局时空信息，增强模型的长时序建模能力。设计多层级特征融合模块，利用不同层级特征对运动速率的感知能力，增强模型的分辨力，实现单输入源下不同动作速率的行为识别能力。
-
公开(公告)号：CN119047530A
公开(公告)日：2024-11-29
申请号：CN202410944113.0
申请日：2024-07-15
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于直接反馈对齐机制的图神经网络优化方法。该方法包括：获取初始图数据，将初始图数据输入到待优化的图神经网络模型中，通过前向传播算法得到节点的预测值；对于有标签节点，根据其预测值与真值得到每一个有标签节点的误差；利用伪误差生成器为每个无标签节点生成伪误差；根据有标签节点的误差以及筛选出的伪标签节点的伪误差应用反馈对齐机制同步更新图神经网络模型的每一层网络的参数；根据损失值是否收敛判断图神经网络参数是否收敛；若图神经网络参数收敛，则训练完成，输出优化后的图神经网络模型。本发明方法同时能够处理半监督学习环境中的标签稀缺问题。可以应用于引文网络分类，互联网网页分类等图数据挖掘任务中。
-
公开(公告)号：CN118366186A
公开(公告)日：2024-07-19
申请号：CN202410475803.6
申请日：2024-04-19
Applicant: 北京交通大学
IPC: G06V40/10 , G06V10/40 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于多级跨模态联合对齐的行人重识别方法及系统，属于机器视觉图像处理技术领域，获取待识别的图像数据；利用预先训练好的行人重识别模型对获取的待识别的图像进行处理，得到图像中行人重识别结果。本发明提出可见红外模态协调器并以加权灰度、跨通道剪切混合和频谱抖动协调器三种不同的方式，减轻了可见光和红外图像之间的差异，弥合了图像级别的模态差距；引入具有可训练参数的模态分布适配器，捕获特征图的空间统计特征并自适应地对齐不同模态的特征分布，减少特征级别的模态差距；引入跨模态检索损失，减少VI‑ReID目标层面的差距；引入多光谱增强排序策略，增强了模型的鲁棒性和跨模态检索能力。
-
Patent Agency Ranking
公开(公告)号：CN114140826B
公开(公告)日：2024-05-31
申请号：CN202111468443.X
申请日：2021-12-03
Applicant: 北京交通大学
IPC: G06V40/10 , G06V10/32 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法，包括如下步骤：步骤1：对数据进行预处理；步骤2：通过编码器提取样本特征，基于特征聚类生成伪标签；步骤3：基于注意力模块分离Feature Map；步骤4：向前传播得到目标和相机分类结果；步骤5：计算损失函数；步骤6：对模型进行优化计算；步骤7：得到测试模型的效果；步骤8：得到无监督目标重识别的解决方案；本申请相比于现有的消除相机影响的无监督目标重识别方法，用注意力模块直接分离相机特征更加直接，比二阶段方法更加简单；基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。
-
公开(公告)号：CN112001252B
公开(公告)日：2024-04-12
申请号：CN202010712454.7
申请日：2020-07-22
Applicant: 北京交通大学
Abstract: 本发明提供一种基于异构图网络的多目标跟踪方法，应用于多目标跟踪中。首先使用目标检测算法得到目标检测框，然后使用光流计算和线性回归操作进行视频帧之间的数据关联。为了解决目标遮挡问题，该模型在数据关联之后使用异构图网络提取检测框和跟踪目标的特征进行相似性度量，判断新出现的检测框是否属于已有的目标。异构图网络包括外观特征提取，空间关系提取和时间关系提取三部分，用于学习判别性特征，以进行目标的外观、空间位置及时间关系等信息的编码，提高特征的表示能力和判别能力，从而提高多目标跟踪的性能。
-
公开(公告)号：CN112115700B
公开(公告)日：2024-03-12
申请号：CN202010836950.3
申请日：2020-08-19
Applicant: 北京交通大学
IPC: G06F40/211 , G06F40/284 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提供了一种基于依存句法树和深度学习的方面级情感分析方法。该方法包括：对待分析的文本进行分词和嵌入训练处理，得到文本中的每个单词的词向量表达，输入到双向长短时神经网络中得到每个单词和文本的整合信息；利用文本中的所有单词构造依存句法树，利用依存句法树构造GCN图，将文本的整合信息与GCN图进行迭代处理，得到文本中的评价对象的依存句法树表示；对文本的整合信息和评价对象的依存句法树表示进行结合，对结合的结果使用CNN进行分析处理，得到文本对评价对象的情感预测结果。本发明的方法有效的利用了文本的语义信息，同时强调了评价对象在方面级情感分析的重要性，提高了对于已知评价对象的方面级情感分析任务的准确率。
-
公开(公告)号：CN111814584B
公开(公告)日：2024-03-12
申请号：CN202010560236.6
申请日：2020-06-18
Applicant: 北京交通大学
IPC: G06V20/56 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种基于多中心度量损失的多视角环境下车辆重识别方法。该方法包括：获取包含车辆身份标签的车辆样本图像，经过空间变换网络对图像进行仿射变换后，将图像经过深度卷积神经网络进行特征提取，得到图像的特征向量；根据图像的特征向量分别计算出分类任务损失和多中心度量学习损失并相加，得到综合损失的值；根据综合损失的值计算深度卷积神经网络的参数和视角中心向量的梯度，得到训练好的深度卷积神经网络模型；利用训练好的深度卷积神经网络模型对车辆图像进行特征提取和身份识别处理。本发明使用空间变换网络对图像进行仿射变换，采用K‑means聚类的方法的估计视角信息，可以增加车辆视角估计的准确性，提高车辆重识别的准确率。
-
公开(公告)号：CN111581468B
公开(公告)日：2024-03-01
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。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.054 seconds)
