-
公开(公告)号：CN118568658B
公开(公告)日：2024-11-22
申请号：CN202410623819.7
申请日：2024-05-20
Applicant: 东北电力大学
Inventor： 孟勃
IPC: G06F18/25 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N5/02
Abstract: 本发明公开了一种基于低秩因子分解的多模态特征学习效率优化方法，涉及多模态特征学习效率优化技术领域。本发明包括以下步骤：接收获取多种类型的输入数据，将采集到的输入数据分为三种不同的模态；建立骨干网络采用分层知识集成的方法对多模态语义进行关联学习。本发明采用基于多模态特征语义的知识集成法对多模态数据进行关联学习。采用自注意力知识库和多个知识模块集成的方式进行知识对齐。共享的自注意力模块可以有效学习不同模态的知识对齐，并对不同模态信息深度融合编码，使其能够更好地应用在多模态行为识别任务上，提高多模态特征的学习效率。
-
公开(公告)号：CN118627557A
公开(公告)日：2024-09-10
申请号：CN202410749126.2
申请日：2024-06-12
Applicant: 东北电力大学
IPC: G06N3/06 , G06N3/0455 , G06F18/2135
Abstract: 本发明公开了一种采用主成分正则法则构建突触可塑性模型的方法的方法。本发明包括以下步骤：a)、构建突触重塑性模型，采用主成分正则法则描述突触长时程可塑性；b)、根据情景特征编码器的主成分构造类别的稀疏性特征参数重要性矩阵，保留基础类别特征的同时增加新类别特征。本申请采用主成分正则法则来描述突触长时程可塑性，通过将突触权重变化转化为对输入信号的主成分分析。这使得模型能够有效提取和保留重要特征。并通过正则化方法，模型在保持参数竞争性的同时，能够快速收敛。这不仅防止了过拟合，还确保了基础类别的重要特征得以保留，从而提高了模型处理新数据的稳健性和泛化能力。
-
公开(公告)号：CN118334616A
公开(公告)日：2024-07-12
申请号：CN202410352346.1
申请日：2024-03-26
Applicant: 东北电力大学
IPC: G06V20/58 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/776 , G06V10/25
Abstract: 本发明涉及计算机视觉技术领域，提供了一种基于改进YOLOv7算法的交通标志识别方法及系统，所述方法包括：S1、建立交通标志数据集，划分训练集和验证集；S2、建立改进YOLOv7算法的交通标志识别模型；S3、对模型进行训练；S4、对模型进行验证；S5、对交通标志进行识别。本发明采用空间金字塔池化快速跨级部分连接方法，增强交通标志特征提取能力；引入SA注意力机制的特征内容的感知重组算子(SA‑CARAFE)对增强后的特征进行重组，提升特征重组的准确性和针对性；采用归一化Wasserstein距离方法，解决传统的IoU对小目标敏感的问题，增强算法定位性能，对交通标志的识别更加准确。
-
公开(公告)号：CN110223193A
公开(公告)日：2019-09-10
申请号：CN201910236266.9
申请日：2019-03-27
Applicant: 东北电力大学
Abstract: 本发明公开了一种基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法，包括如下步骤：Step 1：选择用于电网运行状态判别的特征变量；Step 2：使用模糊聚类算法，将电网运行的健康状态按照健康程度分为四种类型，分别为健康、亚健康、一般病态和严重病态。在聚类前，为了消除数据量纲的影响，需要采用归一化方法对电网的特征变量数据进行处理。Step 3：将步骤1中得到的特征变量，作为训练集的输入变量，将步骤2中得到的已经分类电网运行状态所对应的数据作为训练集，训练集的输出为对应的电网运行状态，健康、亚健康、一般病态和严重病态这四种电网运行状态所对应的标签分别设定为1、2、3和4。Step 4:将得到的四种电网运行状态的数据用来训练RS-KNN模型。
-
公开(公告)号：CN109101876A
公开(公告)日：2018-12-28
申请号：CN201810690399.9
申请日：2018-06-28
Applicant: 东北电力大学
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于长短时记忆网络的人体行为识别方法。所述方法能够识别视频中的目标人体行为动作；所述方法包括：将所述视频分割成若干视频片段，通过VGG-16Net模型和RNN神经网络进行视频片段预处理，获得时间序列数据，数据归一化处理后，将无量纲数据输入到LSTM网络中，所述LSTM网络输出人体特征向量，将所述人体特征向量输入到softmax分类器中进行分类，能够实现将所有所述视频片段中的人体行为动作进行分类，根据分类结果，能够识别视频中的所有的目标人体行为动作。
-
Patent Agency Ranking
公开(公告)号：CN104856720B
公开(公告)日：2017-08-08
申请号：CN201510226888.5
申请日：2015-05-07
Applicant: 东北电力大学
Inventor： 孟勃
Abstract: 一种基于RGB‑D传感器的机器人辅助超声扫描系统，包括Kinect传感器、机器人、超声探头、标示物和主机，其特征是：以Kinect传感器作为机器人的视觉伺服系统，在机器人机械臂上夹持超声探头，在超声探头上固定标示物，采用机器人的视觉伺服系统同时进行RGB彩色图像和深度图像的采集，并将图像传给主机，由主机完成图像拼接、图像三维重构等处理，根据视觉伺服系统采集的图像对，由主机对固定在超声探头的标示物进行识别和定位，根据识别定位结果计算超声探头位姿，再由主机发出对机器人的控制指令,控制机器人的机械臂到达指定位置进行超声扫描操作。具有结构合理,性能可靠,自动化程度高,检测效率高，成本低等优点。
-
公开(公告)号：CN119169489B
公开(公告)日：2025-03-21
申请号：CN202411225753.2
申请日：2024-09-03
Applicant: 东北电力大学
IPC: G06V20/17 , G06V10/762 , G06V10/44 , G06N3/0464 , G06V10/25 , G06T7/73
Abstract: 本发明公开了一种绝缘子缺陷识别方法，本发明从目标的中心点来预测出识别目标的大小、姿态和关键点等信息，特征提取过程是通过一个全卷积网络实现的；特征提取之后生成一个关于目标中心的热力图，然后在热力图中通过找到局部最大值来定位目标的中心；通过在峰值位置使用特征，以推理目标的大小和位姿。由于本发明使用的是多分辨率特征图进行目标类别预测，因此，本发明所提算法可以满足无人机采集图像的形变、尺度不断变化的需求，在目标识别之前，融入图像、自适应尺度特征提取等预处理，以提高模型在不同环境下对绝缘子缺陷的识别准确率。
-
公开(公告)号：CN119295879A
公开(公告)日：2025-01-10
申请号：CN202411476477.7
申请日：2024-10-22
Applicant: 东北电力大学
Abstract: 本发明公开了一种多场景图像融合方法，本发明通过建立多尺度自适应的融合网络来持续学习多场景下的图像特征。通过融合CNN的局部特征和Transformer的全局特征来增强不同场景下的特征表达能力。提出一种新的FFM结构对多尺度、多场景的特征进行融合，耦合视觉增强和图像融合技术，以提高图像融合质量。采用记忆感知突触持续学习方法训练模型并计算损失函数，保留不同场景下融合图像的可见光特征，有效减少了暗光下对颜色信息的破坏，缓解任务切换过程中的知识丢失问题。
-
公开(公告)号：CN118568658A
公开(公告)日：2024-08-30
申请号：CN202410623819.7
申请日：2024-05-20
Applicant: 东北电力大学
Inventor： 孟勃
IPC: G06F18/25 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N5/02
Abstract: 本发明公开了一种基于低秩因子分解的多模态特征学习效率优化方法，涉及多模态特征学习效率优化技术领域。本发明包括以下步骤：接收获取多种类型的输入数据，将采集到的输入数据分为三种不同的模态；建立骨干网络采用分层知识集成的方法对多模态语义进行关联学习。本发明采用基于多模态特征语义的知识集成法对多模态数据进行关联学习。采用自注意力知识库和多个知识模块集成的方式进行知识对齐。共享的自注意力模块可以有效学习不同模态的知识对齐，并对不同模态信息深度融合编码，使其能够更好地应用在多模态行为识别任务上，提高多模态特征的学习效率。
-
公开(公告)号：CN118428422A
公开(公告)日：2024-08-02
申请号：CN202410629841.2
申请日：2024-05-21
Applicant: 东北电力大学
Inventor： 孟勃
IPC: G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于跨域弱相关的模型轻量化方法，涉及模型轻量化技术领域。本发明包括以下步骤：S1，建立包含多模态输入的深度学习模型，并在模型中引入跨域弱相关注意力函数和自适应优化参数函数，其中，深度学习模型中的每一层由每一个模态的自注意力MSA特征和多层感知机MLP构成。本发明通过采用计算效率高且结构简单的参数函数，有效替换了传统深度学习模型中计算成本较高的部分，新引入的函数能在保持模型的核心性能不受影响的同时显著降低整体的计算需求，减少了对高性能计算资源的依赖，从而实现了更快的处理速度和更低的能耗。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.021 seconds)
