公开(公告)号：CN117097858A

公开(公告)日：2023-11-21

申请号：CN202310849742.0

申请日：2023-07-12

Applicant: 北京工业大学

Inventor： 邓勇舰 ,  刘宇涵 ,  杨震

IPC: H04N7/01 ,  G06V20/40 ,  G06V10/62 ,  G06V10/52 ,  G06V10/80 ,  G06V10/82 ,  G06T7/269 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/09 ,  G06N3/0985

Abstract: 本发明公开了一种基于边缘增强的多模态高帧率插帧方法，包括：高帧率视频与事件流数据集的构建、事件流处理、构建双分支光流网络预测多尺度帧光流与单尺度事件光流、构建光流级别融合网络处理事件光流与多尺度帧光流、构建插入帧细化网络生成准确的插入帧。通过事件生成模型从高速视频中生成事件流并与帧在时间尺度上对齐；事件流被处理为体素，和视频帧分别输入事件光流预测网络与帧光流预测网络，然后双分支上预测的光流输入进光流级别融合网络进行以事件边缘运动引导的融合。最后准确的光流将被输入插入帧细化网络来生成清晰的插入帧。本发明解决了由于帧间信息丢失导致的插入帧中运动物体边缘不清晰问题，并达到了比以往工作更好的插帧效果。

公开(公告)号：CN116471048A

公开(公告)日：2023-07-21

申请号：CN202310275662.9

申请日：2023-03-20

Applicant: 北京工业大学

Inventor： 张欣同 ,  王一鹏 ,  赖英旭 ,  邓勇舰 ,  赵子健

IPC: H04L9/40 ,  H04L67/12

Abstract: 本发明公开了一种实时高效的物联网DDoS攻击检测方法及系统，本发明可分为粗细粒度模型训练阶段和DDoS攻击流量检测阶段。在粗细粒度模型训练阶段，将根据已知类别的物联网DDoS攻击和良性网络流量，训练概率检测模型和流级检测模型中的可学习参数，从而实现自动化的DDoS攻击检测。DDoS攻击流量检测阶段，基于训练完成的概率检测模型和流级检测模型，对网络环境中获取到的真实网络流量进行特征提取并完成DDoS攻击检测。本发明使得经过卷积操作后的特征向量在进行特征权重融合后，能够更加准确地表达网络流量的特征。能实现对DDoS攻击流量的高精度、高效率检测，同时可以适应不同的网络环境，具有更强的泛化能力。

公开(公告)号：CN118590665A

公开(公告)日：2024-09-03

申请号：CN202410831266.4

申请日：2024-06-26

Applicant: 北京工业大学

Inventor： 邓勇舰 ,  刘宇涵 ,  姚博文 ,  杨震

IPC: H04N19/587 ,  H04N19/51 ,  H04N19/167

Abstract: 本发明公开了一种基于事件相机重建参考的多模态视频插帧方法，首先通过事件生成模型从高速视频中生成事件流并与帧在时间尺度上对齐，保证训练过程中能够在任意时刻进行视频内插帧。事件流被处理为体素以及事件关注掩码，体素被输入参考帧重建网络生成参考帧。经过事件关注掩码策略处理的参考帧和视频帧一起输入基于参考帧的合成网络进行双向对齐，从而合成粗插入帧。最后将粗插入帧、事件体素以及两个视频关键帧一起被输入插入帧细化网络来生成清晰的插入帧。本发明利用基于事件的参考直接合成中间帧，避免了显式运动估计的必要性，从而大大增强了处理运动遮挡的能力。

公开(公告)号：CN118823342A

公开(公告)日：2024-10-22

申请号：CN202410831267.9

申请日：2024-06-26

Applicant: 北京工业大学

Inventor： 邓勇舰 ,  姚博文 ,  刘翊帆 ,  刘宇涵 ,  郭珈琪 ,  贾仕林 ,  杨震

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V10/62 ,  G06V10/56 ,  G06N3/045 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于大模型适配的多模态语义分割方法，首先对于每一对的输入数据，以RGB数据的曝光时间戳为基准，以不同的时间尺度划分事件信息，随后将事件处理为体素，和视频帧分别输入多时空尺度事件嵌入模块与SAM主干，然后将经过多时空尺度事件嵌入模块提取的时间特征输入SAM事件适配器中，与SAM中的图像信息进行交互，得到富含高质量运动信息的特征。最后特征将被输入简单的语义分割头来生成语义分割结果。本发明是端到端的，整体可以直接进行训练，之后可以使用训练的模型来处理事件‑RGB场景下的语义分割问题。本发明解决了由于RGB信息在极端场景下信息丢失的问题，并达到了比以往工作更优秀的语义分割结果。

公开(公告)号：CN117173702A

公开(公告)日：2023-12-05

申请号：CN202311116407.6

申请日：2023-08-31

Applicant: 北京工业大学

Inventor： 吕庚育 ,  王逸远 ,  胡娅坤 ,  邓勇舰

IPC: G06V20/70 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开了基于深度特征图融合的多视图多标记学习方法，该方法针对单一共享子空间模型无法完整描述多视图数据的所有语义信息，提出了基于深度特征图融合的多视图多标记分类，通过挖掘实例特征多视图互补关系和标记特征结构化共生关系，构建具有更强表征力的实例标记结构化向量表示，并通过平均化单体视图“实例‑标记”亲和匹配结果进行分类。本方法通过构建多视图统一特征图结构，将单视图内近邻关系和跨视图间对齐关系相互融合，提升每个单体视图的结构化语义表征能力。强调单体视图在特定语义表征的贡献同时融合多视图数据共识性和互补性关系。有效提升多视图数据的语义表述能力，对于实际数据分析和决策具有很强的应用价值。