-
公开(公告)号：CN108694200B
公开(公告)日：2019-12-20
申请号：CN201710230070.X
申请日：2017-04-10
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种基于深度语义空间的跨媒体检索方法，包括特征生成阶段和语义空间学习阶段；特征生成阶段通过模拟人对图像的感知过程，生成图像的CNN视觉特征向量和LSTM语言描述向量；利用LDA主题模型挖掘文本的主题信息，进而提取LDA文本主题向量。在语义空间学习阶段，分别利用训练集图像训练得到一个四层的多感知融合的深度神经网络，利用训练集文本训练得到一个三层的文本语义网络。最后将测试图像和文本分别利用两个网络映射到同构的语义空间，从而实现跨媒体检索。与现有方法相比，本发明能够显著提升跨媒体检索性能，具有广阔的应用前景和市场需求。
-
公开(公告)号：CN105566456B
公开(公告)日：2019-03-19
申请号：CN201410528075.7
申请日：2014-10-09
Applicant: 北京大学深圳研究生院
Abstract: 本发明公开了一种含有末端侧链‑尾链连接手性二酸修饰的多肽化合物及其合成方法，其结构式如式(Ⅰ)所示：本发明的多肽的合成方法包括如下步骤：(1)含有手性二酸的多肽的固相合成；(2)用钯催化剂同时脱去二酸保护基Allyl(烯丙基)和氨基保护基Alloc(烯丙氧羰基)；(3)在六氟磷酸苯并三唑‑1‑基‑氧基三吡咯烷基磷/1‑羟基苯并三唑条件下分子内酰胺基关环，获得多肽；(4)将步骤(3)的多肽从固相切下，经分离纯化获得含有末端侧链‑尾链连接手性二酸修饰多肽，并通过圆二色谱等方法评价验证多肽的螺旋性，用荧光显微镜成像评价多肽的穿膜性。本发明的多肽及其合成方法成本低、简单高效，对于稳定多肽α‑螺旋，提高其成药性有重要意义。
-
公开(公告)号：CN106131547B
公开(公告)日：2018-07-03
申请号：CN201610548047.0
申请日：2016-07-12
Applicant: 北京大学深圳研究生院
IPC: H04N19/11 , H04N19/593 , H04N19/147 , H04N19/136 , H04N19/176
CPC classification number: H04N19/11 , H04N19/593
Abstract: 本发明公布了一种视频编码中帧内预测模式的快速决策方法，通过判断预测方位，利用角度模式的相关性和PU尺寸构造PML，减少进行率失真优化的预测模式数目；包括：对主要预测方位集中的方位进行预测，选取率失真代价最优的前三个模式；将其相邻方向及Planar、DC模式加入PML中；计算PML中模式的率失真代价；将MPM中的模式无重复地添加入PML中；进行最后的率失真优化；将率失真代价最小的模式作为当前PU块的帧内预测的最优模式。本发明能够降低帧内预测的运算复杂度，提高视频编码速度。
-
公开(公告)号：CN106202413A
公开(公告)日：2016-12-07
申请号：CN201610544156.5
申请日：2016-07-11
Applicant: 北京大学深圳研究生院
IPC: G06F17/30
CPC classification number: G06F17/30 , G06F17/30265 , G06F17/30247 , G06F17/30684 , G06F17/3069
Abstract: 本发明公布了一种新的跨媒体检索方法，利用VGG提出的卷积神经网络VGG net提取图像特征，将VGG卷积神经网络中的第七层全连接层fc7通过ReLU激活函数之后的4096维特征作为图像特征；利用基于Word2vec的Fisher Vector提取文本特征，通过逻辑回归的方法对异构图像、文本特征进行语义匹配，通过基于逻辑回归的语义匹配方法找到图像、文本这两种异构特征之间的关联，从而实现跨媒体检索；本发明的特征提取方法能有效地表示图像和文本的深层语义，可提高跨媒体检索的准确度，从而大幅度提升跨媒体检索效果。
-
公开(公告)号：CN105975929A
公开(公告)日：2016-09-28
申请号：CN201610287163.1
申请日：2016-05-04
Applicant: 北京大学深圳研究生院
CPC classification number: G06K9/00 , G06K9/00348 , G06K9/00711 , G06K9/6227
Abstract: 本发明公布了一种基于聚合通道特征的快速行人检测方法，包括前期位置标定过程和后期位置筛选过程；前期位置标定过程聚合输入视频或图像中的多个通道特征信息，构建输入图像或视频在尺度空间中的图像金字塔，对每个尺度计算各个通道特征的图像，识别作为存在行人判别依据的特征，初步提取行人位置；后期位置筛选过程使用卷积神经元网络分类器对前期标定的每个位置做进一步筛选，进一步检测图片或视频中出现的行人，得到检测结果。采用本发明技术方案，在训练数据量大时，分类器可自动选择出具有较好识别能力的特征，作为行人判别依据，方法的鲁棒性高；也提高了行人检测的精度。
-
Patent Agency Ranking
公开(公告)号：CN105566456A
公开(公告)日：2016-05-11
申请号：CN201410528075.7
申请日：2014-10-09
Applicant: 北京大学深圳研究生院
CPC classification number: Y02P20/55
Abstract: 本发明公开了一种含有末端侧链-尾链连接手性二酸修饰的多肽化合物及其合成方法，其结构式如式(Ⅰ)所示：本发明的多肽的合成方法包括如下步骤：(1)含有手性二酸的多肽的固相合成；(2)用钯催化剂同时脱去二酸保护基Allyl(烯丙基)和氨基保护基Alloc(烯丙氧羰基)；(3)在六氟磷酸苯并三唑-1-基-氧基三吡咯烷基磷/1-羟基苯并三唑条件下分子内酰胺基关环，获得多肽；(4)将步骤(3)的多肽从固相切下，经分离纯化获得含有末端侧链-尾链连接手性二酸修饰多肽，并通过圆二色谱等方法评价验证多肽的螺旋性，用荧光显微镜成像评价多肽的穿膜性。本发明的多肽及其合成方法成本低、简单高效，对于稳定多肽α-螺旋，提高其成药性有重要意义。
-
公开(公告)号：CN107273872B
公开(公告)日：2020-05-05
申请号：CN201710570245.1
申请日：2017-07-13
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种用于图像或视频中行人重识别的深度判别网络模型方法，通过构建深度判别网络，将不同输入图像在颜色通道上进行融合拼接，将得到的拼接结果定义为不同图像的原始差异性空间；将原始差异性空间送入卷积网络中，通过学习原始差异性空间中的差异性信息，网络输出两张输入图像之间的相似性，由此实现行人重识别。本发明不对单独的图像进行特征的学习，而是在一开始就将输入图像在颜色通道上进行融合拼接，利用设计好的网络在图像的原始空间上学习差异性信息；通过引入Inception模块，嵌入到模型之中，能够提高网络的学习能力，达到更好的判别效果。
-
公开(公告)号：CN107330100B
公开(公告)日：2020-04-03
申请号：CN201710545632.X
申请日：2017-07-06
Applicant: 北京大学深圳研究生院
IPC: G06F16/583 , G06F16/33 , G06F16/338 , G06F16/36 , G06F40/253 , G06F40/30 , G06K9/62 , G06N3/08
Abstract: 本发明公布了一种基于多视图联合嵌入空间的图像‑文本双向检索方法，通过结合全局层面和局部层面的语义关联关系进行检索；先从画面‑句子视图和区域‑短语视图下分别获得全局和局部层面的语义关联关系，在画面‑句子视图中获取画面和句子全局层面子空间中的语义关联信息；在区域‑短语视图中获取区域和短语局部层面子空间中的语义关联信息；两个视图中均通过双分支的神经网络处理数据得到同构特征嵌入共同空间，在训练中使用约束条件保留数据原有的语义关系；再通过多视图融合排序方法融合两种语义关联关系得到数据之间更精准的语义相似度，使得检索结果准确度更高。
-
公开(公告)号：CN108358997A
公开(公告)日：2018-08-03
申请号：CN201810171507.1
申请日：2018-03-01
Applicant: 北京大学深圳研究生院
Abstract: 本发明提供了一种采用双硫盐修饰策略构建的胞内可逆的稳定多肽，通过烷基化多肽序列上的两个天然的甲硫氨酸残基构建而成，其结构式如下所示，X,Y,Z代表任意氨基酸，LA1/LA2代表连接氨基酸。本发明采用在酸性条件下，通过烷基化试剂，化学选择性的烷基化含有两个甲硫氨酸残基的天然的线性多肽而构建的稳定多肽。同时，在还原性条件下，该双硫盐稳定多肽可以可逆的发生去烷基化，生成原来的天然的线性多肽。并在细胞环境中，通过氨基香豆素实验证实了，在生理条件下该稳定方法的可还原性。最后，该稳定多肽的细胞膜穿透性和胰酶稳定性较其线性天然多肽有显著性的提高。
-
公开(公告)号：CN107330100A
公开(公告)日：2017-11-07
申请号：CN201710545632.X
申请日：2017-07-06
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种基于多视图联合嵌入空间的图像-文本双向检索方法，通过结合全局层面和局部层面的语义关联关系进行检索；先从画面-句子视图和区域-短语视图下分别获得全局和局部层面的语义关联关系，在画面-句子视图中获取画面和句子全局层面子空间中的语义关联信息；在区域-短语视图中获取区域和短语局部层面子空间中的语义关联信息；两个视图中均通过双分支的神经网络处理数据得到同构特征嵌入共同空间，在训练中使用约束条件保留数据原有的语义关系；再通过多视图融合排序方法融合两种语义关联关系得到数据之间更精准的语义相似度，使得检索结果准确度更高。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.042 seconds)
