-
公开(公告)号：CN113033767A
公开(公告)日：2021-06-25
申请号：CN202110188891.8
申请日：2021-02-19
Applicant: 北京大学
Abstract: 本公开涉及神经网络技术领域，具体而言，本公开涉及基于知识蒸馏的神经网络的数据压缩恢复方法及系统。所述方法包括：将原数据输入到知识蒸馏网络进行训练；将所述原数据经过压缩得到的压缩数据输入到目标网络中；通过所述知识蒸馏网络对已输入所述压缩数据的所述目标网络进行分析训练；将训练好的目标网络数据输出，得到恢复后的分析结果。所述系统包括：数据压缩模块，用于生成压缩数据；知识蒸馏模块，用于将所述数据压缩模块传入的数据提取为高质量特征流；推理模块，用于部署恢复后的分析结果。本公开的方法与系统可以减少图片、视频或音频数据因压缩所带来的损失，且能大幅提升目标网络的性能，得到准确率大幅提升的分析结果。
-
公开(公告)号：CN103729620B
公开(公告)日：2017-11-03
申请号：CN201310680608.9
申请日：2013-12-12
Applicant: 北京大学
Abstract: 本发明提出了一种基于视角贝叶斯网络模型的行人检测方法及装置，可以对多个摄像头监控的人群比较密集的场景进行行人检测和定位。不仅适用于前景提取效果较好的场景，也适用于前景提取效果不佳但可以通过行人检测器进行检测的场景。本发明的方法包括单视处理步骤、基平面映射步骤、多视角融合步骤和逆映射以及最终检测结果输出步骤。
-
公开(公告)号：CN103578109B
公开(公告)日：2016-04-20
申请号：CN201310552823.0
申请日：2013-11-08
Abstract: 本发明公开了一种监控摄像机测距方法和装置，属于智能监控技术领域，该方法包括：通过标定工具的不同摆放位置获取不同的世界坐标系和每个世界坐标系里的标定点；获取每个世界坐标系的标定点在世界坐标系中的位置和在图像坐标系中的位置；根据标定点在世界坐标系中的位置和在图像坐标系中的位置计算出不同世界坐标系下的摄像机参数；选取对测距点合适的世界坐标系对应的摄像机参数，将测距点从图像坐标系投影到世界坐标系中，计算测距点之间的真实距离。本发明降低了由于标定范围广、人工标定操作带来的误差对摄像机参数的计算产生的较大影响，提高了测距的准确性，适合于监控视野比较宽广的监控摄像头的参数标定和测距。
-
公开(公告)号：CN116578636B
公开(公告)日：2023-12-15
申请号：CN202310538318.4
申请日：2023-05-15
Applicant: 北京大学
Abstract: 本公开涉及一种分布式多智能体合作方法、系统、介质及设备。该方法包括：对将过去对局历史中特定步骤数量的观测状态进行存储以构造观测历史寄存器；所述历史寄存器随着智能体与环境交互的进行，所述历史寄存器持续接受新的历史状态，并将超过容量限制的早期的历史状态丢弃；构造历史背景网络，其中，所述历史背景网络的输入为当前观测状态，与历史寄存器中的历史状态，通过数据挖掘与融合，所述历史背景网络的输出历史背景嵌入状态；构造隐式变分推理网络，构造策略网络和状态价值网络并通过强化学习进行训练，其中，所述策略网络和所述状态价值网络的输入为信念嵌入和当前观测状态，所述策略网络和所述状态价值网络的输出为策略分布和状态价值。
-
公开(公告)号：CN116578636A
公开(公告)日：2023-08-11
申请号：CN202310538318.4
申请日：2023-05-15
Applicant: 北京大学
Abstract: 本公开涉及一种分布式多智能体合作方法、系统、介质及设备。该方法包括：对将过去对局历史中特定步骤数量的观测状态进行存储以构造观测历史寄存器；所述历史寄存器随着智能体与环境交互的进行，所述历史寄存器持续接受新的历史状态，并将超过容量限制的早期的历史状态丢弃；构造历史背景网络，其中，所述历史背景网络的输入为当前观测状态，与历史寄存器中的历史状态，通过数据挖掘与融合，所述历史背景网络的输出历史背景嵌入状态；构造隐式变分推理网络，构造策略网络和状态价值网络并通过强化学习进行训练，其中，所述策略网络和所述状态价值网络的输入为信念嵌入和当前观测状态，所述策略网络和所述状态价值网络的输出为策略分布和状态价值。
-
Patent Agency Ranking
公开(公告)号：CN115424042A
公开(公告)日：2022-12-02
申请号：CN202210842886.9
申请日：2022-07-18
Applicant: 北京大学
Abstract: 本公开涉及一种基于层间特征相似性的网络稀疏化方法、装置、介质及设备，所述方法包括：采集并存储图像数据集，提取所述图像数据集中的样本；将所述图像数据集中的样本输入神经网络进行前向传播，在前向传播的过程中通过神经网络每一层对所述图像数据集中的样本进行特征提取并存储；计算神经网络不同层的特征之间的相似度；通过基于中心核对齐的层间相似性降低方法降低所述神经网络的层间相似性。本公开是首个通过降低网络层间相似性间接提升网络稀疏性的方法。该方法在神经网络预训练、神经网络剪枝、神经网络稀疏训练等领域进行了应用，并皆取得了性能的提升。由于该方法提升了网络的稀疏性，其促进了网络的加速与压缩。
-
公开(公告)号：CN113033616B
公开(公告)日：2022-12-02
申请号：CN202110230314.0
申请日：2021-03-02
Applicant: 北京大学
Abstract: 本发明公开了一种高质量视频重建方法、装置、设备及存储介质，所述方法包括提取参考视频流以及原始视频流的深度学习特征，得到参考特征流以及原始特征流；将所述参考特征流和原始特征流进行特征融合，得到融合特征流；根据所述融合特征流对待处理的低分辨率视频流进行视频重建，得到高质量的视频流。根据本公开实施例提供的高质量视频重建方法，可以对低分辨率的视频流进行视频重建，利用云端汇聚的低分辨率视频流以及深度学习特征，恢复出高质量的视频流。
-
公开(公告)号：CN112862073B
公开(公告)日：2022-11-18
申请号：CN202110150563.9
申请日：2021-02-03
Applicant: 北京大学
IPC: G06N3/04 , G06N3/08 , G06V10/82 , G06V10/764 , G06V10/44
Abstract: 本发明公开了一种压缩数据分析方法、装置、存储介质及终端，该方法包括：获取目标数据，并将所述目标数据进行压缩后生成压缩数据；将所述压缩数据输入预先训练的压缩数据分析模型中；其中，所述预先训练的压缩数据分析模型基于训练数据压缩后的压缩等级从选择性批归一化模块中选择不同的归一化模块和特征约束模块进行训练后生成；输出所述目标数据对应的分析结果。因此，采用本申请实施例，由于本申请利用神经网络结合选择性批归一化模块和特征约束模块来对压缩数据进行分析，从而提升了模型的分析性能，进一步提升了分析结果的准确度。
-
公开(公告)号：CN113095506A
公开(公告)日：2021-07-09
申请号：CN202110322362.2
申请日：2021-03-25
Applicant: 北京大学
Abstract: 本申请提供了一种基于端、边及云协同架构的机器学习方法及系统，提取输入图像的多个通用特征；传输多个通用特征；接收多个通用特征，并自适应选择机器学习任务对应的至少一个通用特征；根据至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型；训练后的机器学习模型根据输入图像得到机器学习任务的预测结果。本申请通过在端架构处提取可用于各种视觉任务的通用特征，只在边架构上传输通用特征而不需要传输端处采集的原图，最后在云架构处利用通用特征进行机器学习任务的训练。
-
公开(公告)号：CN113011469A
公开(公告)日：2021-06-22
申请号：CN202110217159.9
申请日：2021-02-26
Applicant: 北京大学
Abstract: 本申请涉及深度神经网络技术领域，具体而言，本申请涉及一种基于对抗互惠点学习的开集类别发掘训练方法及系统。所述方法包括以下步骤：基于已定义类别的样本集，分别构建判别器、生成器和分类器，其中，所述分类器包含基于深度卷积神经网络的特征提取器、互惠点集和自学习半径；所述生成器生成样本并输入所述分类器，所述分类器提取所述样本的深度特征并比较所述深度特征与所述互惠点集，以将所述样本分类为已知类，所述判别器判断所述样本的类别为已知样本；分别计算判别器损失、生成器损失和分类器损失并依次更新所述判别器、生成器和分类器。本申请的方法及系统能够更有效地处理开集识别的问题，进而解决真实场景下未预定义类别识别问题。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.017 seconds)
