-
公开(公告)号：CN110070119B
公开(公告)日：2021-11-26
申请号：CN201910288642.9
申请日：2019-04-11
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于二值化深度神经网络的手写数字图像识别分类方法，基于BinaryConnect二值化深度神经网络，并通过公式推导得出最优权重缩放因子α，将该因子α在前向传播过程中与权重W相乘，以达到增强网络表达能力、提高训练精度的目的。与现有技术相比，本发明人提出的权重缩放因子和XNOR‑Net中提出的权重缩放因子均能够在MLP‑MNIST问题上使得二值化深度神经网络达到较高的精度，但是本专利的方法在四层二值化MLP和MNIST数据集上的实验效果要优于XNOR‑Net的方法。具体表现为：在验证集精度上，本方法高出XNOR‑Net方法0.05％，在测试集精度上，本方法高出XNOR‑Net方法0.01％。
-
公开(公告)号：CN107273842B
公开(公告)日：2020-07-03
申请号：CN201710432432.3
申请日：2017-06-09
Applicant: 北京工业大学
Abstract: 本发明公开了基于CSJOGA算法的选择性集成人脸识别方法，属于人脸识别技术领域，特别是一种基于联合稀疏投影改进混合正交遗传算法(CSJOGA)、bagging方法、选择性集成技术、多分类SVM方法的人脸识别新方法。本方法结合最小生成树聚类、联合稀疏投影和正交实验设计，提出了一种基于联合稀疏投影的正交交叉算子。然后利用正交实验方法设计交叉，并引入了聚类局部搜索策略，提出了基于联合稀疏投影的混合正交遗传算法。本方法能在大幅减少集成的分类器数量、减少存储和计算开销、有效提高人脸识别速度的前提下，保证人脸识别的正确率能够进一步提升至更高水平，确保实际应用时的分类精度达到理想要求。
-
Patent Agency Ranking
公开(公告)号：CN108460340A
公开(公告)日：2018-08-28
申请号：CN201810113101.8
申请日：2018-02-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于3D稠密卷积神经网络的步态识别方法，该方法中的网络利用3D卷积提取步态在时间维度上的变换特征，同时拥有DenseNet结构的特征保留能力。本发明在网络深度较浅，训练样本较少的情况下训练出性能优越的可根据视频中的步态识别其身份的分类识别模型。通过在CASIA步态数据库的Dataset A上进行测试,证明该方法能在训练样本不充足的情况下训练出实用的步态识别模型，且具有训练速度快，模型参数少，识别率高的优点,并在单一视角或跨视角情况下都具有可观的识别能力。
-
公开(公告)号：CN107273842A
公开(公告)日：2017-10-20
申请号：CN201710432432.3
申请日：2017-06-09
Applicant: 北京工业大学
Abstract: 本发明公开了基于CSJOGA算法的选择性集成人脸识别方法，属于人脸识别技术领域，特别是一种基于联合稀疏投影改进混合正交遗传算法(CSJOGA)、bagging方法、选择性集成技术、多分类SVM方法的人脸识别新方法。本方法结合最小生成树聚类、联合稀疏投影和正交实验设计，提出了一种基于联合稀疏投影的正交交叉算子。然后利用正交实验方法设计交叉，并引入了聚类局部搜索策略，提出了基于联合稀疏投影的混合正交遗传算法。本方法能在大幅减少集成的分类器数量、减少存储和计算开销、有效提高人脸识别速度的前提下，保证人脸识别的正确率能够进一步提升至更高水平，确保实际应用时的分类精度达到理想要求。
-
公开(公告)号：CN110070119A
公开(公告)日：2019-07-30
申请号：CN201910288642.9
申请日：2019-04-11
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于二值化深度神经网络的手写数字图像识别分类方法，基于BinaryConnect二值化深度神经网络，并通过公式推导得出最优权重缩放因子α，将该因子α在前向传播过程中与权重W相乘，以达到增强网络表达能力、提高训练精度的目的。与现有技术相比，本发明人提出的权重缩放因子和XNOR-Net中提出的权重缩放因子均能够在MLP-MNIST问题上使得二值化深度神经网络达到较高的精度，但是本专利的方法在四层二值化MLP和MNIST数据集上的实验效果要优于XNOR-Net的方法。具体表现为：在验证集精度上，本方法高出XNOR-Net方法0.05％，在测试集精度上，本方法高出XNOR-Net方法0.01％。
-
公开(公告)号：CN105975902B
公开(公告)日：2019-07-26
申请号：CN201610219331.3
申请日：2016-04-09
Applicant: 北京工业大学
Abstract: 基于SAMME.RCW算法的人脸识别优化方法，首先对人脸图像进行特征提取，用图像特征向量，使用SAMME.RCW算法进行识别分类。针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，其也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果。SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求。通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果。得到最终的强分类器有效提高了人脸识别的准确率。
-
公开(公告)号：CN105975902A
公开(公告)日：2016-09-28
申请号：CN201610219331.3
申请日：2016-04-09
Applicant: 北京工业大学
CPC classification number: G06K9/00288 , G06K9/6259
Abstract: 基于SAMME.RCW算法的人脸识别优化方法，首先对人脸图像进行特征提取，用图像特征向量，使用SAMME.RCW算法进行识别分类。针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，其也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果。SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求。通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果。得到最终的强分类器有效提高了人脸识别的准确率。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
