-
公开(公告)号：CN115115886A
公开(公告)日：2022-09-27
申请号：CN202210811820.3
申请日：2022-07-11
Applicant: 北京航空航天大学 , 北京京航计算通讯研究所
IPC: G06V10/764 , G06V10/80 , G06V20/10 , G06N3/04 , G06N3/08
Abstract: 提供了基于teacher‑student模型的半监督目标检测方法。包括以下步骤：获取半监督目标检测数据集D；在有标注数据集DL上按照全监督目标检测方法，用模型预测样本的标注得到teacher模型；利用的teacher模型，对无标签数据XU做预测，生成伪标签，并用伪标签更新标注集合YU；对无标注样本集合XU进行数据增强第五步，训练student模型；将student模型的权重参数θs以指数滑动平均的方式更新至teacher模型的权重θt中；进行数轮迭代，以最终的teacher模型作为所述基于teacher‑student模型的半监督目标检测方法训练的目标模型。
-
公开(公告)号：CN115115886B
公开(公告)日：2024-08-06
申请号：CN202210811820.3
申请日：2022-07-11
Applicant: 北京航空航天大学 , 北京京航计算通讯研究所
IPC: G06V10/25 , G06V10/764 , G06V10/80 , G06V10/44 , G06V10/766 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/0895
Abstract: 提供了基于teacher‑student模型的半监督目标检测方法。包括以下步骤：获取半监督目标检测数据集D；在有标注数据集DL上按照全监督目标检测方法，用模型预测样本#imgabs0#的标注得到teacher模型；利用的teacher模型，对无标签数据XU做预测，生成伪标签，并用伪标签更新标注集合YU；对无标注样本集合XU进行数据增强第五步，训练student模型；将student模型的权重参数θs以指数滑动平均的方式更新至teacher模型的权重θt中；进行数轮迭代，以最终的teacher模型作为所述基于teacher‑student模型的半监督目标检测方法训练的目标模型。
-
公开(公告)号：CN116957051A
公开(公告)日：2023-10-27
申请号：CN202310910682.9
申请日：2023-07-24
Applicant: 北京京航计算通讯研究所 , 北京航空航天大学
IPC: G06N3/0895 , G06V20/13 , G06V10/764 , G06V10/774 , G06N3/0464
Abstract: 提供了一种优化特征提取的遥感图像弱监督目标检测方法，包括以下步骤：S1:获取遥感图像弱监督目标检测数据集，其中所有图像的标签为图像级标签；S2:用带有图像级标签的所述遥感图像弱监督目标检测数据集训练图像多分类的模型，用于提供弱监督目标检测模型的预训练权重参数；S3:构建遥感图像特征精炼模块，集成到弱监督目标检测模型中；S4:使用S2步骤得到的预训练权重参数初始化弱监督目标检测模型的主干网络的参数，并训练所述弱监督目标检测模型；S5:将待检测图像提供给训练好的弱监督目标检测模型，所述若训练好的弱监督目标检测模型输出对待检测图像的目标检测结果。
-
公开(公告)号：CN116935125A
公开(公告)日：2023-10-24
申请号：CN202310910583.0
申请日：2023-07-24
Applicant: 北京京航计算通讯研究所 , 北京航空航天大学
IPC: G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/0895
Abstract: 提供了通过弱监督实现的噪声数据集目标检测方法。本文采用的方法主要分为三个模块。首先采用弱监督方法(WSOD)生成伪标签，对应WOSD模块。之后通过Localization Adaptation(LA)模块对生成伪标签的回归位置信息进行调整。最后通过半监督学习Semi‑Supervised Learning(SSL)模块进行对(有)噪声数据集的学习。通过对后两个模块的循环迭代，我们能同时对噪声数据集进行不断地更新降噪，从而得到更好的训练效果。
-
公开(公告)号：CN116108912A
公开(公告)日：2023-05-12
申请号：CN202310145789.9
申请日：2023-02-21
Applicant: 北京航空航天大学 , 北京京航计算通讯研究所
Abstract: 本发明公开了启发式神经网络架构搜索方法及信息处理设备。所提供的启发式神经网络架构搜索方法，包括：获取用层次化表示技术描述的待搜索的神经网络模型的单元堆叠模型；对所述多个单元的每个单元的各边进行采样，得到待搜索的神经网络模型的实例；对所述神经网络模型的实例进行训练和验证，得到验证集正确率；更新各个单元的各边的所采样操作的操作性能；更新各个单元的各边所采样操作的置信上限；更新各个单元的各边的各操作被采样的概率；从各个单元的各边的操作空间中去除操作以缩小操作空间；以及将各个单元的各边的操作空间剩余的最后操作作为所选择的操作，并得到要搜索的神经网络架构。
-
Patent Agency Ranking
公开(公告)号：CN113986347B
公开(公告)日：2024-09-10
申请号：CN202111247034.7
申请日：2021-10-26
Applicant: 北京京航计算通讯研究所
IPC: G06F8/76
Abstract: 本发明涉及一种软件环境中人机交互方式的迁移评估方法和系统，方法包括以下步骤：获取所述软件环境的交互任务；多个参试者分别采用第一交互设备和第二交互设备完成所述交互任务；对于每个参试者，根据其使用第一交互设备和第二交互设备完成所述交互任务的时间，分别计算使用第一交互设备和第二交互设备的交互准适指数和输出效能指数；基于多个参试者使用第一交互设备和第二交互设备的交互准适指数和输出效能指数，分别计算第一交互设备和第二交互设备的综合迁移指数，若所述第一交互设备的综合迁移指数和第二交互设备的综合迁移指数的差值小于阈值，则评估第一交互设备与第二交互设备在所述软件环境中的交互方式可以迁移。
-
公开(公告)号：CN112991394B
公开(公告)日：2024-01-19
申请号：CN202110416434.X
申请日：2021-04-16
Applicant: 北京京航计算通讯研究所
IPC: G06T7/246 , G06T3/4007 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明就目标跟踪过程中的遮挡问题，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。该方法的具体思路为，在目标跟踪过程中遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的多个不同权重的三次样条多项式模拟遮挡后的目标运动轨迹，并且基于马尔科夫链中当前状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，从而实现对遮挡目标运动位置的预测跟踪。本发明不局限于图像中的特征，而是着眼于目标的运动轨(56)对比文件张星.运动目标的稳定跟踪算法研究《.中国优秀硕士学位论文全文数据库信息科技辑》.2020,(第05期),I135-65.
-
公开(公告)号：CN113932815B
公开(公告)日：2023-07-18
申请号：CN202111217468.2
申请日：2021-10-19
Applicant: 北京京航计算通讯研究所
IPC: G01C21/20
Abstract: 本发明涉及一种稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质；方法包括：确定Kalman滤波的状态序列和观测序列；建立与状态序列和观测序列对应的Kalman滤波模型；采用建立的Kalman滤波模型进行滤波；在Kalman滤波过程中，采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；Hk为观测转移矩阵；Vk为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。本发明与传统的卡尔曼滤波算法相比，提升对量测数据误差的鲁棒性，减少了计算结果与真实值的偏差。
-
公开(公告)号：CN113938483A
公开(公告)日：2022-01-14
申请号：CN202111275760.X
申请日：2021-10-29
Applicant: 北京京航计算通讯研究所
Abstract: 一种分布式AI协同计算系统的节点身份验证方法和系统，方法包括中心服务器向各分布式节点发送身份验证指令；各分布式节点根据身份验证指令完成对应的实时运算能力验证任务，向中心服务器发送响应消息；响应消息包括任务完成时间和节点设备信息；所述实时运算能力验证任务包括实时计算能力验证任务和实时存储能力验证任务；中心服务器接收响应消息，若接收到响应消息的时间超过预期时间，或任务完成时间与相同设备类型的真实节点完成所述实时运算能力验证任务的任务完成时间的差值大于预先设置的阈值，则将该节点认定为可疑节点；中心服务器多次对所述可疑节点发送身份验证指令，若可疑节点均未通过验证，则判断该节点为伪造节点。
-
公开(公告)号：CN113917938A
公开(公告)日：2022-01-11
申请号：CN202111173142.4
申请日：2021-10-08
Applicant: 北京京航计算通讯研究所
Abstract: 本发明涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，包括：将飞行器姿态控制的训练集分解成多份子训练集；随机选取一份子训练集，训练第一生成器、第二生成器和第三生成器的神经网络参数；第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强；计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值；根据第一生成器、第二生成器和第三生成器的重要性权值，设置神经网络模型的目标函数；进行神经网络模型参数的训练；判断训练的迭代次数超过给定阈值；是，则终止训练；否，则重新选择子训练集进行训练。本发明提升了种小样本条件下神经网络模型的分类任务性能。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.036 seconds)
