-
公开(公告)号：CN112086202A
公开(公告)日：2020-12-15
申请号：CN202010768565.X
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
Abstract: 本发明公开了一种体温序列职业画像新方法，属于机器学习领域。首先针对某个目标用户，从体温数据库中提取固定时间段内的体温序列值生成该用户的体温时间序列数据集。如果该体温时间序列数据集有缺失，则对缺失的体温序列值进行补足，生成完整的体温时间序列数据。然后使用完整的体温时间序列数据生成目标用户的五维高层次特征，并将五维高层次特征组成K‑means聚类算法的输入向量，利用K‑means聚类算法得到不同职业的簇。最后对各个职业簇进行数据统计与分析，生成用户职业画像。本发明免去大量繁杂的人工操作，并且进一步挖掘了体温序列的深层次信息，更具表征性。
-
公开(公告)号：CN112086202B
公开(公告)日：2022-11-22
申请号：CN202010768565.X
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
Abstract: 本发明公开了一种体温序列职业画像新方法，属于机器学习领域。首先针对某个目标用户，从体温数据库中提取固定时间段内的体温序列值生成该用户的体温时间序列数据集。如果该体温时间序列数据集有缺失，则对缺失的体温序列值进行补足，生成完整的体温时间序列数据。然后使用完整的体温时间序列数据生成目标用户的五维高层次特征，并将五维高层次特征组成K‑means聚类算法的输入向量，利用K‑means聚类算法得到不同职业的簇。最后对各个职业簇进行数据统计与分析，生成用户职业画像。本发明免去大量繁杂的人工操作，并且进一步挖掘了体温序列的深层次信息，更具表征性。
-
公开(公告)号：CN112057053A
公开(公告)日：2020-12-11
申请号：CN202010768189.4
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
IPC: A61B5/01
Abstract: 本发明公开了一种基于SVM的异常体温序列检测装置及方法，属于温度检测技术领域。本发明装置包括：佩戴在人体的温度检测设备，与温度检测设备通过无线通信的智能设备，智能设备上安装有用户体温数据库、体温序列提取单元、温度特征提取单元、支持向量机模型单元以及预警输出单元；本发明方法包括：收集用户体温时间序列数据；并对其进行提取及插值得到完整的体温时间序列数据；对体温时间序列进行挖掘特征值，生成特征向量；将特征向量添加用户标签，训练支持向量机，保存训练好的分类模型；最后将待判断用户体温数据输入训练好的分类模型，输出待判断用户的分类结果。本发明解决了在实际体温监测中存在着体温数据缺失、数据精度不高等问题。
-
公开(公告)号：CN112057052A
公开(公告)日：2020-12-11
申请号：CN202010767411.9
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
IPC: A61B5/01
Abstract: 本发明提出一种基于时间序列平稳性检验的异常体温序列筛选方法，属于体温检测技术领域。包括：步骤一、生成初始体温时间序列；步骤二、对用户体温时间序列进行插值，补充缺失数据，形成完整的体温时间序列数据集；步骤三、对用户的体温时间序列的平稳性利用扩展迪基‑福勒方法进行检验，对检验结果为不平稳的体温时间序列，进一步做阶数为周期长度的差分，周期长度是指每日固定时间段长度，然后对差分所得体温序列再用扩展迪基‑福勒方法进行平稳性检验；步骤四、计算用户体温时间序列的特征评分，进行异常体温判定。本发明使用平稳性检验方法初步筛选体温时间序列，可以增加异常体温筛选工作的效率，避免大规模的计算工作。
-
公开(公告)号：CN112071434B
公开(公告)日：2022-11-29
申请号：CN202010769307.3
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
Abstract: 本发明公开了一种异常体温序列检测新方法，属于智能医疗领域。针对每个用户，首先以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。然后将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列，并对体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列。将完整体温序列根据医院检测结果进行标记，得到各用户的标签。最后按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集，利用训练集训练全连接神经网络，并利用验证集进行验证。利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。本发明判断更加精准，操作简便，灵活性较强。
-
Patent Agency Ranking
公开(公告)号：CN112057052B
公开(公告)日：2022-02-15
申请号：CN202010767411.9
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
IPC: A61B5/01
Abstract: 本发明提出一种基于时间序列平稳性检验的异常体温序列筛选方法，属于体温检测技术领域。包括：步骤一、生成初始体温时间序列；步骤二、对用户体温时间序列进行插值，补充缺失数据，形成完整的体温时间序列数据集；步骤三、对用户的体温时间序列的平稳性利用扩展迪基‑福勒方法进行检验，对检验结果为不平稳的体温时间序列，进一步做阶数为周期长度的差分，周期长度是指每日固定时间段长度，然后对差分所得体温序列再用扩展迪基‑福勒方法进行平稳性检验；步骤四、计算用户体温时间序列的特征评分，进行异常体温判定。本发明使用平稳性检验方法初步筛选体温时间序列，可以增加异常体温筛选工作的效率，避免大规模的计算工作。
-
公开(公告)号：CN112071434A
公开(公告)日：2020-12-11
申请号：CN202010769307.3
申请日：2020-08-03
Applicant: 北京邮电大学 , 北京微芯边缘计算研究院
Abstract: 本发明公开了一种异常体温序列检测新方法，属于智能医疗领域。针对每个用户，首先以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。然后将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列，并对体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列。将完整体温序列根据医院检测结果进行标记，得到各用户的标签。最后按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集，利用训练集训练全连接神经网络，并利用验证集进行验证。利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。本发明判断更加精准，操作简便，灵活性较强。
-
公开(公告)号：CN119785384A
公开(公告)日：2025-04-08
申请号：CN202411940076.2
申请日：2024-12-26
Applicant: 北京邮电大学
IPC: G06V40/10 , G06V10/143 , G06V10/54 , G06V10/56 , G06V10/74 , G06V10/82 , G06V20/70 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明提出了一种基于文本辅助的可见光红外行人重识别方法。所述方法包括：获取待检索红外行人图像和可见光行人图像库，对红外行人图像标注粗略文本描述；对红外行人图像和可见光行人图像进行预处理；构建非对称双分支跨模态特征提取器，引入文本描述作为辅助信息，提取待检索行人图像和图像库所有行人图像的特征；计算两者的余弦相似度，将相似度从高到低排序，生成初始检索序列；计算图像库中行人图像之间的相似度，据此生成近邻集合；计算近邻相似度，据此对初始检索序列进行重排序。本发明通过引入文本描述作为跨模态检索辅助信息，并设计跨模态检索重排序算法，能够很好地解决跨模态行人特征对齐问题，因而获得了较现有方法更准确的行人重识别结果。
-
公开(公告)号：CN119625338A
公开(公告)日：2025-03-14
申请号：CN202411684939.4
申请日：2024-11-22
Applicant: 北京邮电大学
IPC: G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种融合多模态美学和属性特征的图像美学评估方法。所述方法包括：构造图像‑美学以及图像‑属性文本对数据；构建联合属性和美学描述的多模态预训练模型；利用冻结的图像编码器与条件编码器提取原始图像特征与条件特征；利用文本解码器生成匹配条件特征的美学或属性文本；最小化生成文本与目标文本差异得到预训练模型；获取并处理图像和美学评分数据，构建融合多模态美学和属性特征的美学评分模型；提取并融合图像的属性和美学特征得到属性感知的美学特征；将该特征通过线性层映射得到美学分数；利用均方误差函数优化模型参数，得到最终的美学评分模型；本发明不仅能获得能准确的美学评分，而且在推理阶段仅需要单张图像。
-
公开(公告)号：CN113888474A
公开(公告)日：2022-01-04
申请号：CN202111063063.8
申请日：2021-09-10
Applicant: 北京邮电大学
Abstract: 本发明提供了一种目标细胞的智能检测方法。所述方法包括：将超高分辨率免疫组化数字图像均匀地、低重叠地裁剪成多个大尺寸概览图像；将概览图像输入卷积神经网络提取得到不同尺度的特征；将不同尺度的特征进行自适应加权融合，计算出候选细胞的分布概率图；将分布概率图映射到输入的概览图像中，得到多个位置坐标；根据位置坐标信息，对概览图像进行局部裁剪，得到候选细胞的小尺寸近距离图像；将候选细胞的小尺寸近距离图像输入分类网络，输出候选细胞是否为目标细胞的精确分类结果；融合所有概览图像中候选细胞的位置坐标信息和精确分类结果，最后输出目标细胞的检测结果。本发明不仅能更快速地得到检测的结果，还能保证检测的精度。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.042 seconds)
