-
公开(公告)号：CN119649057A
公开(公告)日：2025-03-18
申请号：CN202411692790.4
申请日：2024-11-25
IPC: G06V10/52 , G06V10/80 , G06N3/0464 , G06N3/08 , G06T5/70
Abstract: 本发明公开了一种基于特征增强通道混洗的高光谱与全色影像融合方法，包括：分别获取高光谱影像和全色影像并进行预处理，对应获得预处理后的高光谱影像和预处理后的全色影像；基于矩阵秩约束的高光谱影像特征增强模块对预处理后的高光谱影像进行特征提取，获得高光谱影像特征；基于滤波的全色影像特征提取模块对预处理后的全色影像进行特征提取，获得全色影像特征；将高光谱影像特征和全色影像特征进行拼接，获得影像特征融合部分的输入特征；基于多尺度卷积对输入特征进行特征融合，提取不同尺度的特征，并基于通道混洗的深浅融合模块对不同尺度的特征进行深入融合，获得最终的融合结果。本发明进一步提升了图像融合效果。
-
公开(公告)号：CN117131858B
公开(公告)日：2024-08-30
申请号：CN202311074757.0
申请日：2023-08-24
Applicant: 北京理工大学
IPC: G06F40/242 , G06F40/126 , G06F40/194 , G06F16/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于字典的轨迹预测系统及方法，属于深度学习技术领域。其包括聚类模块，用于针对轨迹数据集进行聚类，以选取代表性轨迹；所选取代表性轨迹送入字典模块。字典模块利用过去编码器和未来编码器进行字典的构建；目标轨迹输入至编码器‑注意力‑解码器预测架构，由过去编码器对目标轨迹的历史轨迹部分进行编码，得到观测特征编码，利用观测特征编码，查询字典，构建辅助特征；通过卷积神经网络CNN将辅助特征与观测特征编码进行融合，融合后的特征作为注意力机制解码器的初始隐藏状态，注意力机制解码器输出预测的未来轨迹。本发明能够有效降低计算成本，使用更少的内存，减少数据冗余。
-
公开(公告)号：CN114925808B
公开(公告)日：2023-10-10
申请号：CN202210397325.2
申请日：2022-04-15
Applicant: 北京理工大学 , 北京大学深圳研究生院
IPC: G06F18/2433 , G06F18/15 , G06N3/044 , G06N3/08
Abstract: 本发明涉及一种基于云网端资源中不完整时间序列的异常检测方法，包括：输入带有缺失的云网端资源中的时间序列，生成时间序列样本，并对所述时间序列样本进行预处理操作；构建深度学习网络模型，将经过预处理操作的时间序列样本分为训练样本集和测试样本集，所述训练样本集输入所述深度学习网络模型中完成模型训练，所述测试样本集进行模型异常检测测试，得到异常检测结果。本发明提出的方法中云网端资源中不完整时间序列的异常检测模型将缺失值插补过程与异常检测过程相结合，减少了从缺失值插补到异常检测导致的误差传递。相较于现有技术，发明成果在云网端资源中不完整时间序列场景下进行异常检测拥有更高的准确率。
-
公开(公告)号：CN115712848A
公开(公告)日：2023-02-24
申请号：CN202211297895.0
申请日：2022-10-21
Applicant: 北京理工大学
IPC: G06F18/2323 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 一种基于图结构学习的结构化深度聚类网络，该网络包括：节点特征学习模块；结构化数据特征学习模块；图结构学习模块，用于根据数据特征，包括节点特征和结构化数据特征，对图结构进行学习，并将学习到的图结构用于数据特征的进一步学习；以及自监督聚类模块。本公开在应用传统的自编码器和图卷积网络等提取数据的节点特征、结构化特征的基础上，加入了图结构学习模块，能够克服初始图结构可能存在的噪声和错误，提升聚类的效果；进而通过自监督聚类模块将各模块统一为一体，优化整个网络面向聚类的数据表示，能够提升对大规模数据进行信息分析与提取的准确度和效率。
-
-
Patent Agency Ranking
公开(公告)号：CN119648992A
公开(公告)日：2025-03-18
申请号：CN202411695828.3
申请日：2024-11-25
IPC: G06V10/25 , G06V10/80 , G06T7/11 , G06T3/4038 , G06N3/0455 , G06N3/0464 , G06V20/10 , G06V10/82
Abstract: 本发明公开了一种遥感图像道路提取方法，包括：获取遥感道路图像并裁剪获得感兴趣区域；利用改进基线模型RNGDet的骨干网络提取感兴趣区域的深度特征，获得第一特征张量；基于第一特征张量，利用改进的特征金字塔网络结构进行道路分割预测，获得两种分布图；获得历史轨迹图后裁剪、光栅化，获得光栅化图；将两种分布图以及光栅化图输入骨干网络，获得第二特征张量；将第一特征张量和第二特征张量进行拼接操作，获得目标特征张量，将目标特征张量作为骨干网络的特征提取结果送入Transformer结构进行预测，根据预测结果更新路网图。本发明提高了道路提取结果在小尺度对象和复杂场景上的鲁棒性和准确性。
-
公开(公告)号：CN115578574B
公开(公告)日：2024-10-18
申请号：CN202211340495.3
申请日：2022-10-28
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习和拓扑感知的三维点云补全方法，涉及计算机视觉技术领域，使用本发明能够在点云特征提取模块中，通过边卷积算子学习点云中隐式的拓扑信息；在粗粒度点云生成模块，生成稀疏但结构相对完整的粗粒度点云，初步生成的稀疏点云与残缺输入拼接起来，从而最大程度上保留输入点云的细节；在细粒度点云生成模块利用自注意力机制提高特征提取能力，通过附加二维网格增加点云形变能力，实现最终稠密点云的生成，实现了针对三维点云的补全，可应用于自动驾驶中，使用激光雷达针对自动驾驶场景获取到的缺失点云进行补偿，点云场景中，对点云进行补全后，可以进行目标检测。
-
公开(公告)号：CN110838344B
公开(公告)日：2023-04-07
申请号：CN201911088806.X
申请日：2019-11-08
Applicant: 北京理工大学
Abstract: 本发明涉及水质分析技术领域，尤其涉及一种水质数据分析方法。一种水质数据分析方法，包括：S1、对水质数据的变量进行离散，以得到离散后的区间值即为项；S2、通过关联规则挖掘方法获取已发生的项之间的关联；S3、将不发生的项之间的关联转化为计算所述不发生的项的支持度；当任意项i在项集X中不发生的时候表示为X_i，则所述X_i的支持度为s(X_i)＝s(X\i)‑s(X)，其中，s(X\i)表示移除项i后的新项集的支持度，s(X)表示项集X的支持度；S4、根据所述不发生的项的支持度，以确定需要分析的所述水质数据的浓度值区间。本发明针对连续变量，采取离散化处理，并且能够挖掘在先导中某个区间值不发生时，其他区间值的变化，本发明的水质数据分析方法的分析结果准确。
-
公开(公告)号：CN114925808A
公开(公告)日：2022-08-19
申请号：CN202210397325.2
申请日：2022-04-15
Applicant: 北京理工大学 , 北京大学深圳研究生院
Abstract: 本发明涉及一种基于云网端资源中不完整时间序列的异常检测方法，包括：输入带有缺失的云网端资源中的时间序列，生成时间序列样本，并对所述时间序列样本进行预处理操作；构建深度学习网络模型，将经过预处理操作的时间序列样本分为训练样本集和测试样本集，所述训练样本集输入所述深度学习网络模型中完成模型训练，所述测试样本集进行模型异常检测测试，得到异常检测结果。本发明提出的方法中云网端资源中不完整时间序列的异常检测模型将缺失值插补过程与异常检测过程相结合，减少了从缺失值插补到异常检测导致的误差传递。相较于现有技术，发明成果在云网端资源中不完整时间序列场景下进行异常检测拥有更高的准确率。
-
公开(公告)号：CN114882488A
公开(公告)日：2022-08-09
申请号：CN202210547679.0
申请日：2022-05-18
Applicant: 北京理工大学
Abstract: 本发明提出一种基于深度学习与注意力机制的多源遥感图像信息处理方法，包括：步骤1，构建图像描述生成器，所述图像描述生成器基于自上而下图像描述模型构建而成；该自上而下图像描述模型包括顺序连接的注意力LSTM模型和语句生成LSTM模型；步骤2：采用融入词性特征的文本图像匹配的POS‑SCAN模型对图形描述生成器进行训练，得到所述图形描述生成器的损失函数；步骤3：将所述图像描述生成器进行自序列训练后，将所述多源遥感图像进行区域特征提取，并将区域特征提取结果输入所述图像描述生成器，得到所述图像对应的文字标签；步骤4：将所述区域特征提取结果、所述文字标签及候选语句输入相似性评分模块，得到相似度评分结果。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.02 seconds)
