-
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：CN118940075A
公开(公告)日：2024-11-12
申请号：CN202410959140.5
申请日：2024-07-17
Applicant: 北京工业大学
IPC: G06F18/23213 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于建筑用能模式识别及多任务学习的柔性负荷预测方法，属于建筑节能及负荷预测领域，包括采用ToU‑K‑means方法对柔性负荷数据集进行聚类分析，识别不同建筑用能模式；基于GRA法定量分析不同影响因素与多元负荷之间的相关性；采用相似日数据垂直对比法对柔性负荷数据集进行异常值辨识和缺失值填充，然后划分训练集、验证集与预测集；基于MTL算法搭建多元柔性负荷预测模型框架，并基于LSTM搭建模型共享层结构，得到训练好的预测模型；对负荷预测模型的性能进行评价。本发明采用上述的基于建筑用能模式识别及多任务学习的柔性负荷预测方法，可以解决由于建筑柔性的利用而导致的负荷难以准确预测的难题，有效提高建筑多元柔性负荷的预测精度。
-
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：CN113269048B
公开(公告)日：2024-05-28
申请号：CN202110474878.9
申请日：2021-04-29
Applicant: 北京工业大学
IPC: G06F18/24 , A61B5/372 , G06N3/0464 , G06N3/08
Abstract: 本发明公开基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法，针对脑电信号信噪比低、样本量较小的问题，将经验模态分解方法与白噪声数据增强方法结合，提出基于经验模态分解的混合噪声数据增强方法，通过提取原始信号的主要信息与白噪声进行混合，提高生成样本质量，从而训练出准确率更高、稳定性更强的分类器；将滤波器组的思想和浅层神经网络相结合，提出轻量、收敛速度快的FB‑Sinc‑ShallowNet方法，提高深度学习方法的分类准确率；应用欧式对齐方法对脑电信号进行预处理，减少不同时间得到的脑电信号之间的差异，降低分类难度，提高分类准确率。本发明能够提高运动想象脑电信号分类模型的预测准确率和稳定性。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN110134954B
公开(公告)日：2023-12-22
申请号：CN201910371706.1
申请日：2019-05-06
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/284
Abstract: 一种基于Attention机制的命名实体识别方法属于计算机领域，通过Attention机制引入中文字素和字符位置权重信息来提高命名实体识别的准确率。方法包括：相似词语提取模块、特征构建模块和分类器模块，其中特征构建模块包括词语相似度融合、词特征提取、字符特征提取和特征融合四个子模块。本方法通过双向LSTM(长短期记忆)来处理命名实体识别中的上下文信息，通过crf(条件随机场)来预测实体标签类别。
-
公开(公告)号：CN117122331A
公开(公告)日：2023-11-28
申请号：CN202311133384.X
申请日：2023-09-05
Applicant: 北京工业大学
IPC: A61B5/318 , A61B5/16 , A61B5/352 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了基于心电信号的改进密度卷积网络的疲劳状态检测方法，包括：1、Pan‑Tompkin算法划分R波。2、深度卷积生成对抗网络DCGAN对R波进行数据增强，并还原成ECG，解决数据量不足的问题。3、使用添加了注意力层(Efficient Channel Attention，ECA)和长短时记忆网络(LSTM)层的DLNet获取心电信号的特征。4、设置模型训练相关相关参数。5、对待分类检测的心电数据进行训练和预测。该方法利用信号特征与DLNet相结合进行疲劳状态的检测，实现了对心电信号的精准监测和分析，从而提高了疲劳状态检测的准确性和稳定性。
-
公开(公告)号：CN116437110A
公开(公告)日：2023-07-14
申请号：CN202310263206.2
申请日：2023-03-17
Applicant: 北京工业大学
IPC: H04N19/597 , H04N19/147 , H04N19/85 , H04N19/91 , G06T9/00 , G06N3/0464 , G06N3/084
Abstract: 一种基于密度约束自适应图卷积的点云几何压缩方法属于点云压缩技术领域。本发明在编码端通过密度约束自适应图卷积提取点云几何特征，可以有效的保留点云的局部几何信息。在解码端分层逐步重建点云，可以逐步恢复点云几何细节。添加局部密度损失约束有助于保持重建点云和原始点云的局部几何一致性。使用本发明所提出的基于密度约束自适应图卷积的点云几何压缩方法对点云数据进行压缩，可以实现更优的率失真优化，并获得在几何细节表现方面质量更优的重建点云。
-
公开(公告)号：CN116258903A
公开(公告)日：2023-06-13
申请号：CN202310223966.0
申请日：2023-03-09
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/74 , G06V10/44 , G06V10/42 , G06V10/25 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于层次化图卷积网络和空间注意力机制的三维点云数据分类方法，属于三维点云分类领域，包括层次图卷积模块、空间注意力模块、相似度对比模块。基于多视野、不同密度稀疏程度得到邻接点，以图卷积的方式结合自身点云特征得到新的特征向量，注入空间注意力机制得到新节点的特征向量；扩大感受野，在新节点的基础上按照结构相似度合并与新节点相似的邻居节点，得到多层次超节点信息，减少局部信息的冗余并加强局部特征。计算法向量特征并加入到点云的全局特征，提高点云的整体特征信息。本发明收集多层次邻居节点特征并结合空间注意力达到强化局部特征的目的，可以更进一步提高三维点云处理分类网络的鲁棒性。
-
公开(公告)号：CN113180692B
公开(公告)日：2023-01-20
申请号：CN202110184586.1
申请日：2021-02-11
Applicant: 北京工业大学
IPC: A61B5/369
Abstract: 一种基于特征融合和注意力机制的脑电信号分类识别方法属于计算机软件领域，针对现有脑机接口系统中采集的脑电信号信噪比低的问题。首先，使用具有不同卷积核大小的过滤器对脑电信号进行处理，使得深度学习网络可以学习到不同大小感受野的特征，以提高网络对于高噪声中有效信息的获取。同时，采用注意力机制对融合后的特征进行权重分配，以加强对高价值特征的选择，从而抑制其他噪声信息，以用来克服脑电信号具有的信噪比低的特点。本发明可以有效地提高对脑电信号的识别和分类性能，提升脑机接口系统的效率。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.04 seconds)
