-
公开(公告)号：CN112818889B
公开(公告)日：2024-05-28
申请号：CN202110182159.X
申请日：2021-02-09
Applicant: 北京工业大学
IPC: G06V30/41 , G06V30/14 , G06V30/18 , G06V30/19 , G06V10/82 , G06F16/332 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于动态注意力的超网络融合视觉问答答案准确性的方法，先提取图像中两两物体之间的关系特征。通过进行关系特征的向量表示和问题文本的向量表示的余弦相似度的操作来动态的选取和问题文本相关的关系特征，并将余弦相似度分数排在前三的关系特征被选取为最为相关的关系特征；为了使视觉图片和问题文本中提取的特征融合的更加充分，提用基于超网络的卷积融合方式。利用融合图像‑问题特征学习多分类的分类器，以正确预测最佳匹配答案。使特征融合更加充分，能够使两模态之间进行深层次的交互，进一步促进视觉问答技术的准确性能的提升。
-
公开(公告)号：CN112287974B
公开(公告)日：2024-05-28
申请号：CN202011044857.5
申请日：2020-09-28
Applicant: 北京工业大学
IPC: G06V40/16 , G06V10/143 , G06V10/762 , G06V10/776
Abstract: 本发明涉及一种基于自适应权重的多视K多均值的图像聚类方法(Adaptive K‑Multiple‑Means for Multi‑view Clustering,AKM3C)，用于解决多视图的图像聚类问题。不同于以往的多视K均值聚类方法仅使用一个簇中心去建模每个簇的数据分布，AKM3C使用多个子簇中心(也称为原型或均值)捕获每个视图中每个簇的数据分布。另外，AKM3C可以为每个视图自适应的分配权重，从而合理地融合不同视图的互补信息和兼容信息以构建一个共享的二部图，最后对共享的二部图施加拉普拉斯秩约束，将其划分为C个簇，实现图像样本的聚类，进而用于解决多视图的图像识别和检测问题。
-
公开(公告)号：CN113326974B
公开(公告)日：2024-04-09
申请号：CN202110492567.5
申请日：2021-05-01
Applicant: 北京工业大学
IPC: G06Q10/04 , G06F18/232 , G08G1/01 , G06N3/0464 , G06N3/042
Abstract: 本发明提出了一种基于多任务超图卷积网络的多源交通客流预测方法，涉及深度学习等领域，尤其是面向超图表示以及图卷积网络的流量预测任务。本方法适用于时空对齐的多源异构交通流数据，多源异构交通流数据相互影响该方法包含一个主要任务和一个相关任务。两项任务均基于超图卷积神经网络，并由通过一个特征压缩单元连接，该特征压缩单元对任务之间的相关性进行建模并共享潜在特征，以增强主要任务的性能。相较于单一数据驱动模型，该方法可适用于多源异构交通数据。完成了轨道交通客流预测的任务，提高了预测准确率。
-
公开(公告)号：CN112699685B
公开(公告)日：2024-03-29
申请号：CN202110027765.4
申请日：2021-01-08
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/30 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于标签引导的字词融合的命名实体识别方法，用于解决以往分词工具不准确造成的分词错误的问题。具体采用标注信息对句子的分词结果进行分组，并对组内信息进行融合，能够有效的获得这个位置词的信息；将位置词信息与当前字的信息进行融合，增强位置词的信息表达；采用注意力机制，对每个位置词进行分配权重，使其更加关注正确的词的标签；采用Gated Mechanism来动态的权衡字特征与位置词向量特征的比重，最后通过BiLSTM与CRF找到最优序列。本发明改善了词边界识别错误的问题，并能够减少未登陆词(OOV)的产生。
-
公开(公告)号：CN112667824B
公开(公告)日：2024-03-15
申请号：CN202110059002.8
申请日：2021-01-17
Applicant: 北京工业大学
Abstract: 本发明公开了基于多语义学习的知识图谱补全方法，将实体e1和r分别先通过多个转换矩阵学习到多个隐藏的语义表示。在前面的知识图嵌入捕捉实体和关系多个隐藏语义的步骤中，得到对同一实体或关系的多个特征嵌入。利用深度残差注意力网络优化实体和关系的嵌入。引入去噪网络优化实体嵌入和关系嵌入。接下来先简述去噪网络的结构。引入多步融合的过程来充分融合实体和关系；本发明提出来的深度残差注意力网络，能有效减少引入多个隐藏语义带来大量噪声的问题。同时去噪网络和多步融合网络能充分融合实体和关系，来得到最符合的预测结果。
-
Patent Agency Ranking
公开(公告)号：CN116431820A
公开(公告)日：2023-07-14
申请号：CN202310266322.X
申请日：2023-03-20
Applicant: 北京工业大学
Abstract: 本发明公开了基于弱化低质量负样本的时序知识图谱补全方法，为了平衡负样本多样性和负样本质量，该方法使用高质量和中等质量的负样本以增强模型判别能力，即弱化低质量负样本产生的影响。该方法提出的低质量负样本选择和弱化模块可以挑选出低质量负样本并调节它们的分数以弱化低质量负样本的消极影响。在交叉熵损失中引入了自适应加权负样本损失正则化项，该正则化项计算了每个负样本的损失值，并自适应地为每个负样本损失值分配不同的权重，以充分利用不同质量负样本的潜在信息。自适应加权负样本损失正则化项与低质量负样本选择和弱化模块都起到了积极影响。
-
公开(公告)号：CN115512184A
公开(公告)日：2022-12-23
申请号：CN202211289828.4
申请日：2022-10-20
Applicant: 北京工业大学
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种应用于弱光条件下端到端目标检测的即插即用的弱光图像增强方法，弱光图像增强模型由一个参数估计模块和图像处理模块组成。参数估计模块通过学习检测网络反馈的信息来回归图像处理模块所需要的超参数，接收超参数的图像处理模块自适应地增强输入图像，促进其在弱光条件下的检测效果。增强模型与检测模型一体化，端到端，彼此互补，彼此受益，根据检测网络反馈的信息来增强图像，根据增强的图像来更好的训练检测网络。相比于以往的两阶段的图像增强模型或者其他端到端的方法，本发明提出的一种应用于弱光条件下端到端目标检测的即插即用的弱光图像增强模型取得了更好的性能。
-
公开(公告)号：CN114495500A
公开(公告)日：2022-05-13
申请号：CN202210096933.X
申请日：2022-01-26
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于对偶动态时空图卷积的交通预测方法，用于解决当前基于图网络的交通预测方法中存在缺少对边建模以及动态建模导致的预测精度不高的问题。首先输入历史交通数据，送到输入层进行处理，然后将输入层的输出送入动态时空层，经过动态时空层中多个堆叠的对偶动态时空块进行时空相关性特征抽取，再将这些特征输入到输出层，最后输出的即是最终的预测结果。其中，最核心和关键的对偶动态时空块包括动态图卷积模块、动态超图卷积模块，以及两个之间的动态交互模块。本发明能很好的挖掘交通数据中复杂的时空相关性，从而揭示动态交通系统潜在的时空关联，进而更加准确的对城市交通数据进行预测。
-
公开(公告)号：CN114140635A
公开(公告)日：2022-03-04
申请号：CN202110911804.7
申请日：2021-08-10
Applicant: 北京工业大学
IPC: G06V10/762 , G06F17/16
Abstract: 本发明公开了自表示学习监督的非负矩阵分解方法，首先通过自表示学习得到一个反映数据局部或全局结构的相似性矩阵。然后，对相似性矩阵进一步分解，可得到具有聚类结构信息的矩阵。最后，将具有聚类结构信息的矩阵指导系数矩阵的学习，使其具有一致性结构，提高系数矩阵的判别能力。该方法的提出主要是解决在无监督聚类方面，非负矩阵分解得到的系数矩阵判别能力弱的问题。所提出的自表示学习监督的非负矩阵分解方法充分考虑了传统非负矩阵分解判别能力弱的问题，利用自表示方法，再进一步得到具有聚类结构信息的矩阵指导低维表示的学习，能够有效提高低维表示的判别能力，提高聚类性能。
-
公开(公告)号：CN113935548A
公开(公告)日：2022-01-14
申请号：CN202111343972.7
申请日：2021-11-14
Applicant: 北京工业大学
Abstract: 本发明公开了基于图变换的动态多图卷积网络交通流量预测方法，所依托的交通预测模型主要由四个模块组成：基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。基于图变换的空间注意力模块，由有稀疏矩阵的空间注意力机制模块和图变换模块组成。通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。时间卷积模块为了捕获交通数据流的时间特性，时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。输出模块由两个Relu模块和两个线性模块组成，使用平均绝对误差为损失函数。本方法通过图变换构建多图以处理受多因素影响的交通流量数据，从而捕获交通数据的内在特性，使得交通预测更准确。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.027 seconds)
