一种基于类不可知前景挖掘的图像弱监督目标检测方法

    公开(公告)号:CN114565752B

    公开(公告)日:2024-12-27

    申请号:CN202210133345.9

    申请日:2022-02-10

    Abstract: 本发明提供了一种基于类不可知前景挖掘的图像弱监督目标检测方法。该方法包括:基于待进行目标检测的图像通过CNN生成前景注意力图;基于前景注意力图计算每个候选框的前景相对置信度FRC,根据各个候选框的FRC筛选出前景候选框;基于前景候选框构建实例空间图,基于数据集的标签构建标签语义图,对实例空间图和标签语义图进行图匹配,根据图匹配结果为每个前景候选框进行分类;根据各个前景候选框的分类结果生成伪监督框,将伪监督框与伪监督框的空间近邻框进行合并得到伪实例标签,将该伪实例标签作为待进行目标检测的图像的目标检测结果。本发明把定位和分类任务分离,从而实现的定位与分类性能的双向提升,有效地提升图像的弱监督目标检测性能。

    基于跨模态融合的异常行为检测方法及系统

    公开(公告)号:CN119169524A

    公开(公告)日:2024-12-20

    申请号:CN202411201034.7

    申请日:2024-08-29

    Abstract: 本发明提供一种基于跨模态融合的异常行为检测方法及系统,属于异常行为检测技术领域,利用预先训练好的异常行为检测模型对获取的视频数据进行处理,得到异常行为检测结果。异常行为检测模型包括视觉特征提取网络、音频特征提取网络、跨模态融合网络、双曲图卷积网络以及行为预测网络。本发明引入了新的跨模态融合算法,在时间维度上实现了音频特征与视觉特征的融合,利用音频信息对视觉维度模糊的事件做进一步区分;设计基于双曲图卷积的两个分支,分别处理特征的相似度和时间关联关系,并在双曲空间中提高特征的区分度,提升了异常行为检测的准确度。

    高速铁路列车自主协同运行控制方法及系统

    公开(公告)号:CN118732499A

    公开(公告)日:2024-10-01

    申请号:CN202410715378.3

    申请日:2024-06-04

    Abstract: 本发明提供高速铁路列车自主协同运行控制方法及系统,属于高速铁路列车运行控制技术领域,构建复杂运行环境下高速铁路自主感知理论模块;从自主感知理论模块提取数据,构建协同条件下高速列车运行控制模型,得到面向状态驱动的高速列车智能自主控制模块,构建动力学列车模型,输出协同条件下多车追踪优化方法,得到基于车车通信的多车追踪间隔优化控制模块;得到多层域列车群博弈模型,获取基于群体智能的列车群分布式协同控制模块,实现列车群分布式协同运行控制。本发明生成基于全局信息的控制调度多尺度推荐策略和面向状态驱动的运行时主动防护曲线,实现了基于群体智能的分布式控制,有效提升行车安全性和运行效率,最大化提升旅客运输能力。

    基于点对点框架的人群计数方法及系统

    公开(公告)号:CN118537793A

    公开(公告)日:2024-08-23

    申请号:CN202410632368.3

    申请日:2024-05-21

    Abstract: 本发明提供一种基于点对点框架的人群计数方法及系统,属于基于计算机视觉的人群计数技术领域,获取待识别的图像;利用预先训练好的人群计数识别模型对获取的图像进行处理,得到人群计数识别结果;其中,训练模型包括:将训练集图像输入进骨干网络进行特征图的提取;将特征图分别输入到坐标预测头和置信度计算头的三层卷积网络中,分别得到预测点坐标和置信度;损失函数计算,利用PyTorch框架的自动求导机制,根据得到的损失值计算模型参数梯度方向,更新模型参数。本发明利用数据集中的点标注信息,在不引入额外的标注工作量的情况下对样本尺寸信息进行了估计,以此计算出每个标注点对于最终的损失函数的影响权重,提升了模型检测不同尺度目标的能力。

    一种基于少学习参数神经网络的物联网设备数据服务方法

    公开(公告)号:CN117896413A

    公开(公告)日:2024-04-16

    申请号:CN202410202022.X

    申请日:2024-02-23

    Abstract: 本发明提供了一种基于少学习参数神经网络的物联网设备数据服务方法。该方法包括:使用不学习模块替换深度神经网络模型中的可学习卷积层,得到少学习参数神经网络模型;云服务器中将训练好的少学习参数神经网络模型中的不学习参数去除,得到只包含可学习参数的手术模型,将随机种子和手术模型通过网络传输给物联网设备;物联网设备通过随机种子动态生成不学习参数,根据不学习参数与包含无梯度的推理时参数得到完整的神经网络模型,以提供数据服务。本发明方法中的物联网设备只需存储云服务器传输的可学习参数与随机种子,就可以在物联网设备上部署完整的神经网络,减少了云服务器传输至物联网设备的模型参数数量与物联网设备的存储资源开销。

    一种低剂量CT图像降噪方法

    公开(公告)号:CN111968058B

    公开(公告)日:2023-08-04

    申请号:CN202010863754.5

    申请日:2020-08-25

    Abstract: 本发明提供了一种低剂量CT图像降噪方法,包括:获取训练数据集;建立降噪网络模型,包括自适应边缘特征提取模块用于对输入的训练数据集中低剂量CT图像进行边缘特征的提取;第一融合层对自适应边缘特征提取模块的输出信号和输入信号进行融合;卷积模块包括多层卷积层构成的编码器、多层返卷积层构成的解码器以及第二融合层,编码器对第一融合层的输出信号进行编码,第二融合层使用跳跃的方式将解码器的反卷积层的特征图与其在编码器中对称的卷积层的特征图进行融合,输出降噪后的特征图;对降噪网络模型进行训练、测试;采用测试好的降噪网络模型对低剂量CT图像降噪。本方法能够保留更多细粒度的信息,得到更加接近目标图像的降噪结果。

    任务导向的点云数据下采样方法及系统

    公开(公告)号:CN115049786B

    公开(公告)日:2023-07-18

    申请号:CN202210689275.5

    申请日:2022-06-17

    Abstract: 本发明提供任务导向的点云数据下采样方法及系统,属于点云数据处理技术领域,对变换器网络中资源密集型的结构进行调整,去除位置嵌入、简化输入数据嵌入层结构,删除自注意力机制的映射矩阵操作,在前馈神经网络层引入扩缩策略;基于采样损失函数,扩大下采样点云的覆盖范围和重点区域的关注能力,促进生成点云为原始点云的真子集;将下采样模块与任务网络相结合,利用采样损失和任务损失共同更新下采样网络的权重参数。本发明降低了对计算和存储资源的消耗;设计采样损失函数,促使获得点云分布更加均匀、关键点覆盖更加全面的真子集点云数据;将通用下采样模块与三维分类任务网络相结合,实现任务网络的性能最优化和资源开销最小化的有效权衡。

Patent Agency Ranking