-
公开(公告)号：CN116844225B
公开(公告)日：2024-06-28
申请号：CN202310641593.9
申请日：2023-06-01
Applicant: 东北大学佛山研究生创新学院 , 东北大学
IPC: G06V40/20 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0442 , G06N3/0464 , G06N3/042 , G06N3/084 , G06N3/096
Abstract: 本发明属于人体动作识别领域，公开一种基于知识蒸馏的个性化人体动作识别方法。基于一种基于知识蒸馏的轻量级个性化人体动作识别模型实现，所述模型包括教师模型和学生模型；首先进行数据增强；再进行训练教师网络；学生网络通过输入数据以及教师网络的最终输出进行训练；根据最终损失函数进行反向梯度传播，更新学生网络参数。本发明解决了智能穿戴设备在资源有限情况下无法部署个性化人体动作识别模型的问题，并且能够有效识别多种动作。本发明方案不仅在识别精度方面表现优异，同时在特征表示方面也具有较大的优势，相比其他模型表现更为突出。
-
公开(公告)号：CN117789253B
公开(公告)日：2024-05-03
申请号：CN202410201994.7
申请日：2024-02-23
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06V40/10 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于行人识别技术领域，公开了一种基于双网络的视频行人重识别方法。本发明提出了一种基于多分支多样化特征挖掘时空注意力网络和聚合再分配卷积神经编解码网络的视频行人重识别模型。模型在一定程度上解决了视频行人重识别任务中普遍存在的信息冗余、遮挡、背景干扰、光线变化、视角变化、分辨率低等问题。通过这两个侧重不同的方法，对基础模型进行了多方面的优化改进，让模型能够更加有效地完成视频行人重识别任务。
-
公开(公告)号：CN117975556A
公开(公告)日：2024-05-03
申请号：CN202410054126.0
申请日：2024-01-15
Applicant: 东北大学佛山研究生创新学院 , 东北大学
IPC: G06V40/20 , G06V40/10 , G06V10/143 , G06V10/44 , G06V10/77 , G06V10/774
Abstract: 本发明属于智能识别技术领域，公开了一种基于三模态协同学习的跨模态行人重识别方法。基于可见光图像生成对应的灰度图像作为中间模态；通过分阶段融合的三模态联合特征提取网络提取三种模态图像的特征；设置基于相互平均教学策略的分类器组。本发明保证了提取行人鉴别性特征的能力，一定程度上缓解了模态差异。提出一个基于双聚合策略和跨模态滚动采样策略的中心五元组损失。采用样本类中心作为采样元组，并采用双聚合策略将样本向样本类中心靠近，降低异常样本的干扰。本发明采用跨模态滚动采样策略从三个模态中依次选择参考元组和其他两个模态的元组形成两个正负样本对，可以全方位地降低模态差异，更好地提取行人的鉴别性特征。
-
公开(公告)号：CN116844225A
公开(公告)日：2023-10-03
申请号：CN202310641593.9
申请日：2023-06-01
Applicant: 东北大学佛山研究生创新学院 , 东北大学
IPC: G06V40/20 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0442 , G06N3/0464 , G06N3/042 , G06N3/084 , G06N3/096
Abstract: 本发明属于人体动作识别领域，公开一种基于知识蒸馏的个性化人体动作识别方法。基于一种基于知识蒸馏的轻量级个性化人体动作识别模型实现，所述模型包括教师模型和学生模型；首先进行数据增强；再进行训练教师网络；学生网络通过输入数据以及教师网络的最终输出进行训练；根据最终损失函数进行反向梯度传播，更新学生网络参数。本发明解决了智能穿戴设备在资源有限情况下无法部署个性化人体动作识别模型的问题，并且能够有效识别多种动作。本发明方案不仅在识别精度方面表现优异，同时在特征表示方面也具有较大的优势，相比其他模型表现更为突出。
-
公开(公告)号：CN117789253A
公开(公告)日：2024-03-29
申请号：CN202410201994.7
申请日：2024-02-23
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06V40/10 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于行人识别技术领域，公开了一种基于双网络的视频行人重识别方法。本发明提出了一种基于多分支多样化特征挖掘时空注意力网络和聚合再分配卷积神经编解码网络的视频行人重识别模型。模型在一定程度上解决了视频行人重识别任务中普遍存在的信息冗余、遮挡、背景干扰、光线变化、视角变化、分辨率低等问题。通过这两个侧重不同的方法，对基础模型进行了多方面的优化改进，让模型能够更加有效地完成视频行人重识别任务。
-
Patent Agency Ranking
公开(公告)号：CN118135244A
公开(公告)日：2024-06-04
申请号：CN202410572032.2
申请日：2024-05-10
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06V10/44 , G06V10/25 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测技术领域，公开了一种复杂重叠背景下的目标检测方法。图像输入至特征提取网络，取其最后三层输出的特征图输入至改进的颈部PANet结构，输出融合特征图；改进的颈部PANet结构为基于现有颈部PANet结构，将特征融合方式替换为基于通道分离的特征融合；融合特征图分别输入到三个检测器中，得到对应层初始检测结果，初始检测结果经基于目标置信度引导的非重叠特征筛选机制得到二次优化后的特征图，用于输入至新的检测器中，分别进行类别检测、坐标预测和置信度预测。本发明对原有的违禁品精准预测，解决重叠现象造成的错判以及漏判问题。
-
公开(公告)号：CN118135244B
公开(公告)日：2024-07-30
申请号：CN202410572032.2
申请日：2024-05-10
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06V10/44 , G06V10/25 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测技术领域，公开了一种复杂重叠背景下的目标检测方法。图像输入至特征提取网络，取其最后三层输出的特征图输入至改进的颈部PANet结构，输出融合特征图；改进的颈部PANet结构为基于现有颈部PANet结构，将特征融合方式替换为基于通道分离的特征融合；融合特征图分别输入到三个检测器中，得到对应层初始检测结果，初始检测结果经基于目标置信度引导的非重叠特征筛选机制得到二次优化后的特征图，用于输入至新的检测器中，分别进行类别检测、坐标预测和置信度预测。本发明对原有的违禁品精准预测，解决重叠现象造成的错判以及漏判问题。
-
公开(公告)号：CN118689095B
公开(公告)日：2024-11-29
申请号：CN202410572459.2
申请日：2024-05-10
Applicant: 东北大学
Abstract: 本发明公开了无人驾驶车自主安全运动速度的有限时间稳定控制方法，涉及无人驾驶车的跟踪控制技术领域，利用无人驾驶车与前车的距离状态信息，设计了自主安全运动速度学习方法，通过奖惩值函数，无人驾驶车规划了安全运动速度；基于无人驾驶车纵向运动状态方程，提出具有约束性能的纵向速度跟踪控制器，使无人驾驶车稳定跟踪规划的安全速度；利用无人驾驶车横向动力学模型，构建了有限时间横向路径跟踪控制器，使无人驾驶车有限时间实现稳定，避免稳定状态过长的调节时间影响无人驾驶车的安全性。本发明从规划自主安全运动速度的新视角，提出约束性能的纵向速度跟踪控制和有限时间的横向路径跟踪控制方法，提高无人驾驶车运动稳定性和安全性。
-
公开(公告)号：CN118194242A
公开(公告)日：2024-06-14
申请号：CN202410285418.5
申请日：2024-03-13
IPC: G06F18/27 , G06N3/0442 , G06N3/08 , G06F123/02
Abstract: 本发明属于数据预测技术领域，公开了一种基于不规则时间序列数据的预测方法。通过基于注意力机制的不规则时序预测模型实现；基于注意力机制的不规则时序预测模型包括基于多通道时间衰减的缺失数据补全模型和基于多重门控的注意机制预测模型；基于多通道时间衰减的缺失数据补全模型将不规则不定长时间序列数据转换为规则的时间序列数据，考虑多个模态之间的互补信息，提高补全准确性，利用时序信息，更有效地处理动态变化的数据缺失问题；基于多重门控的注意机制预测模型根据规则的时间序列数据得到预测结果。本模型准确度高，综合考虑多通道关系、时间间隔关系和注意力机制，能够更精确地预测认知评分。
-
公开(公告)号：CN115169386A
公开(公告)日：2022-10-11
申请号：CN202210690454.0
申请日：2022-06-17
Applicant: 东北大学
Abstract: 本发明属于智能分类识别领域，提出了一种基于元注意力机制的弱监督增类活动识别方法。本方法基于一种端到端的自关系注意弱监督原型网络模型进行人体活动识别；原型网络模型包括特征提取模块、元学习注意力模块和分类模块；首先对传感器原始数据序列进行特征提取，获得示例特征向量集；在通过元学习注意力模块获取各个示例特征向量的贡献权重；通过增强操作提纯优化目标活动的原型；通过分类模块进行分类，完成模型的训练与测试。本发明提出的方法，能够较好的解决在弱监督与训练样本少的传感器数据上识别新类别人体活动的问题，有效避免了噪声数据的负面影响。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.017 seconds)
