-
公开(公告)号：CN119600364A
公开(公告)日：2025-03-11
申请号：CN202411743520.1
申请日：2024-11-30
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/30 , G06V10/774 , G06T9/00 , G06N3/096
Abstract: 本发明公开了一种基于去噪高效图压缩的图增量学习方法，本方法为保留每个任务的原始图的整体语义，通过分布匹配方法压缩成一个小图作为记忆回放的内存。并在压缩图过程中添加了相关熵损失，有效避免原始图数据中的噪声影响。本方法还提出平衡训练目标，有效克服了新任务图和重放图之间的数据不平衡问题。与现有的图增量学习方法相比，基于去噪高效图压缩的图增量学习能提高分类准确率并且节约回放内存空间。
-
公开(公告)号：CN113918722B
公开(公告)日：2024-08-02
申请号：CN202111343981.6
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06F16/35 , G06F18/2136 , G06F18/23213 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了面向引文网络数据的基于稀疏图学习的图卷积聚类方法，该方法在图卷积网络的每个图卷积层前面嵌入了一个稀疏图结构学习层，挖掘高维数据中的低维结构从而构建更优的图结构。在模型优化时，交替更新图结构和节点表示，减少不准确的图结构对图卷积网络带来的负影响，最终对得到的节点表示执行K‑Means获得最终的聚类结果。相比于现有的固定图结构的图卷积深度聚类方法，不断更新的图结构对边攻击更加鲁棒。本发明从节点表示中学习自适应图来提高原始图结构的质量。所使用的持续更新的图结构可以有效地帮助生成更全面和更具有判别性的节点特征。最后，逐层交替的更新图结构和节点表示可以有效缓解图卷积网络中过平滑的问题。
-
公开(公告)号：CN113807393B
公开(公告)日：2024-04-26
申请号：CN202110911805.1
申请日：2021-08-10
Applicant: 北京工业大学
Abstract: 本发明公开了基于多属性非负矩阵分解的聚类方法，该方法将希尔伯特施密特准则和图正则化同时引入到单视图非负矩阵分解领域。对原始数据进行多属性分解，多方面理解数据，得到不同降维后的数据矩阵。利用希尔伯特施密特准则增加不同属性分解之间的多样性，减少冗余特征，每个低维表示都保持独立，并且对应数据特定的属性，以求能够得到更加准确的原始数据的低维表示。许多低维表示仅仅是对高维数据进行降维，但是原始的数据往往存在着某种几何结构，这对聚类有很大的帮助，也是极其重要的信息，利用图正则化项能够保持数据的局部几何结构。最后，在聚类阶段直接采取多视图下k‑means方法来整合不同属性的低维表示，充分利用了来自各个属性的信息。
-
公开(公告)号：CN117095425A
公开(公告)日：2023-11-21
申请号：CN202310824087.3
申请日：2023-07-06
Applicant: 北京工业大学
IPC: G06V40/10 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于深度相互学习策略的换装行人重识别方法，针对换装行人重识别数据集PRCC识别精度低的问题。首先，利用人体解析网络从原始图像中提取人体掩膜，借此获取对服装变化鲁棒的外形特征。然后将原始图像和提取过人体掩膜的图像分别输入两个主干网络，两个主干网络分别学习提取行人的外表特征和外形特征。之后通过MMD损失和KL散度损失减小两支网络的输出分布差异，使得最后用于预测的外表分支主干网络获得提取对服装变化鲁棒的外形特征的能力。同时利用MMD损失重建向量使得主干网络在获得提取外形特征能力的同时保持原先提取外表特征的能力。在预测阶段，仅使用外表分支主干网络的输出来对行人进行检索，能够缩短检索时间。
-
公开(公告)号：CN111191719B
公开(公告)日：2023-09-05
申请号：CN201911390472.1
申请日：2019-12-27
Applicant: 北京工业大学
IPC: G06F18/214 , G06F17/16
Abstract: 本发明涉及一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法，特别是适用于数据集中类别复杂的聚类。本发明基于自表示和图谱约束的非负矩阵分解的图像聚类方法对高维数据进行降维，特别针对图像中存在异常值的情况，记为LRE‑GNMF。利用交替迭代法对目标函数求解，得到低维表示系数矩阵；利用低维表示系数矩阵对图像进行聚类。本方法使用非负数据矩阵作为输入，采用低秩嵌入(LRE)使得高维空间中距离较近的数据在学习到的低维空间中仍保持距离较近，从而保持数据的局部结构。本发明可广泛应用于图像识别领域。
-
Patent Agency Ranking
公开(公告)号：CN111401380B
公开(公告)日：2023-06-20
申请号：CN202010215404.8
申请日：2020-03-24
Applicant: 北京工业大学
IPC: G06V20/70 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/0475 , G06N3/048 , G06N3/08
Abstract: 本发明针对RGB‑D图像的场景理解问题，提出了一种基于深度特征增强和边缘优化的RGB‑D图像分割方法，属于计算机视觉领域。本发明首先使用以Mask‑RCNN为主干的神经网络提取RGB‑D图像的彩色通道特征；然后设计了一种深度特征增强网络提取深度通道特征并与彩色特征进行融合；最后设计了一种基于随机游走的网络结构来对主干网络输出的分割结果进行边缘优化。本发明具有语义抽象程度高，特征融合充分，分割边缘清晰等优点。
-
公开(公告)号：CN108171249B
公开(公告)日：2022-03-08
申请号：CN201810083376.1
申请日：2018-01-29
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于RGBD数据的局部描述子学习方法，包括设计卷积神经网络模型，使用随机梯度下降方法训练卷积神经网络，使用训练完成的卷积神经网络构造描述子。其中卷积神经网络模型包含两部分：第一部分为特征提取层，第二部分为特征融合层；其中特征提取层分为两个子网络：二维卷积子神经网络和三维卷积子神经网络；特征融合层为全连接神经网络；二维卷积子神经网络和三维卷积子神经网络是平行网络。本发明解决了RGBD数据融合方式提取特征点描述子的问题，相对于其他同类方法，本方法鲁棒性更强，匹配准确率更高。
-
公开(公告)号：CN114065861A
公开(公告)日：2022-02-18
申请号：CN202111363731.9
申请日：2021-11-17
Applicant: 北京工业大学
Abstract: 基于对比对抗学习的领域自适应方法及装置，在源域数据上使用损失函数Lcls(xs，ys)训练整个网络模型，固定特征提取器中参数，仅更新分类器C1和C2，最小化分类器分类损失以及最大化分类器对目标域样本判别差异，固定分类器C1和C2中的参数，使用Ldis更新特征提取器中的参数，在这一步骤中保留了自适应损失项。分类器C1和C2分别使用不同的数据增强方式的特征，因此保障了分类器的多样性，使得双分类器能够更高效的找出处于分类边界的样本，使得模型学习到的特征含有更多有效信息，从而较好地解决无监督领域自适应问题，在传统基于双分类器对抗方法的基础上，不仅考虑分类器在目标域上的决策边界，同时也进一步关注域间差异。
-
公开(公告)号：CN107016357B
公开(公告)日：2020-06-16
申请号：CN201710177973.6
申请日：2017-03-23
Applicant: 北京工业大学
Abstract: 本发明一种基于时间域卷积神经网络的行人检测方法，将针对单幅图像的行人检测方法扩展为针对连续帧图像，训练卷积神经网络学习单幅视频帧上的空间关联性和连续帧之间的时间关联性，弥补了现有方法在检测被遮挡的行人上的不足。此外，采用时间域卷积神经网络进行的行人检测，对行人的姿势变化更加鲁棒，整体的检测精确度和召回率均有提升。
-
-
-
-
-
-
-
-
-
Search Results
152
records
(took 0.027 seconds)
