-
公开(公告)号：CN109447918A
公开(公告)日：2019-03-08
申请号：CN201811302943.4
申请日：2018-11-02
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于注意力机制的单幅图像去雨方法。该方法包括：构建基于注意力机制的特征增强模块，利用特征增强模块构建基于注意力机制的自编码模型；将基于注意力机制的自编码模型作为自编码生成网络，利用自编码生成网络和判别网络组成自编码生成对抗网络，利用判别网络和自编码生成网络的误差反向传播训练自编码生成对抗网络，利用训练后的自编码生成网络构建基于注意力机制的自编码生成网络去雨模型；利用单幅图像去雨模型对待去雨的图像进行去雨处理。本发明利用注意力模块加强自编码器提取图像背景信息获取能力，从一个新的角度解决自编码器特征提取不明显问题，提高去雨网络训练学习速度，简单高效地提升了单幅图像去雨效果。
-
公开(公告)号：CN111967326B
公开(公告)日：2021-09-28
申请号：CN202010687318.7
申请日：2020-07-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于轻量化多尺度特征提取的步态识别方法，包括以下步骤：从基准数据集中分割出训练集和测试集；通过单一尺度特征的步态提取模型训练网络，以此来获得模型的基准精确度；在多尺度特征提取网络中不断嵌入3*3的卷积模块，并重新训练的网络模型参数；对比初始的单一尺度下的步态特征提取模型的精确度，选择最优的轻量化多尺度的步态识别特征提取模型，以此可以获得较好的步态识别结果。
-
Patent Agency Ranking
-
公开(公告)号：CN109446991A
公开(公告)日：2019-03-08
申请号：CN201811277328.2
申请日：2018-10-30
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于全局和局部特征融合的步态识别方法。该方法包括：通过三维卷积神经网络从标准化轮廓图中训练出全局步态特征；通过三维卷积神经网络从局部轮廓图中训练出局部步态特征；通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合，获得组合步态特征，利用所述组合步态特征进行步态识别。本发明利用全局和局部的特征融合派生出最佳特征子集，进行步态特征提取模型的建立，统一解决现有的步态识别方法中存在的特征集不够有价值的问题，从而可以获得较好的步态识别结果。
-
公开(公告)号：CN106780506A
公开(公告)日：2017-05-31
申请号：CN201611039325.6
申请日：2016-11-21
Applicant: 北京交通大学
IPC: G06T7/11
Abstract: 本发明公开一种基于多源路径最短距离的交互式图像分割方法，包括：S1、根据图像的像素值特征计算图像中的像素点之间的边权重，并根据像素点之间的边权重将图像转化为无向加权图；S2、在图像中的各待分割物体内部分别标记多个像素点作为各待分割物体的标记点，待分割物体的标记点带有待分割物体各自的标识；S3、对图像中所有未标记的像素点依据无向加权图寻找与其距离最近的标记点，从而将图像分割问题转化为多源最短路径搜索问题；S4、以与各未标记的像素点距离最近的标记点的标识标记各未标记的像素点，得到图像中每个像素点带有的标识，并将带有不同标识的像素点的边界标记为分割边界。本发明能够达到更理想的、高质量的图像分割结果。
-
公开(公告)号：CN114841257B
公开(公告)日：2023-09-22
申请号：CN202210421310.5
申请日：2022-04-21
Applicant: 北京交通大学
IPC: G06F18/2415 , G06F18/2431 , G06N3/09 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于自监督对比约束下的小样本目标检测方法。该方法包括：将小样本目标检测问题建模成一个基于自监督学习的数学优化问题，构建对数据扰动敏感的小样本目标检测模型；设计小样本目标检测模型的优化目标函数；基于优化目标函数使用深度学习更新过程对小样本目标检测模型进行训练，得到训练好的小样本目标检测模型，利用训练好的小样本目标检测模型对待检测的小样本进行目标检测。本发明以两阶段学习过程为基础，使用迁移学习对领域知识进行学习，并在小样本数据集上进行模型微调。实验结果证明，本发明在PASCAL‑VOC公开数据集上取得了良好的性能，可以有效提高模型在小样本目标检测问题上的性能，具有较强的实际应用意义。
-
公开(公告)号：CN111967326A
公开(公告)日：2020-11-20
申请号：CN202010687318.7
申请日：2020-07-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于轻量化多尺度特征提取的步态识别方法，包括以下步骤：从基准数据集中分割出训练集和测试集；通过单一尺度特征的步态提取模型训练网络，以此来获得模型的基准精确度；在多尺度特征提取网络中不断嵌入3*3的卷积模块，并重新训练的网络模型参数；对比初始的单一尺度下的步态特征提取模型的精确度，选择最优的轻量化多尺度的步态识别特征提取模型，以此可以获得较好的步态识别结果。
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
