公开(公告)号：CN109241816A

公开(公告)日：2019-01-18

申请号：CN201810705733.3

申请日：2018-07-02

Applicant: 北京交通大学

Inventor： 郎丛妍 ,  余坤宏 ,  李浥东 ,  冯松鹤 ,  王涛

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开一种基于标签优化的图像再识别损失函数确定方法，包括获取原始多张有标签的图片，并通过生成对抗网络生成多张没有标签的图片；对每张有标签的图片和每张没有标签的图片进行特征提取；计算多个类的所述多张有标签的图片的类中心和所述多张没有标签的图片的多个簇及每个簇的簇中心；计算所述簇中心和每个所述类中心的欧式距离；根据所述欧式距离计算每个簇到所述多个类的损失函数的概率系数，得到损失函数，本发明还公开了一种基于标签优化的图像再识别系统，解决有标签的图片不多时易出现的过拟合现象，提高再识别准确度。

公开(公告)号：CN101706964B

公开(公告)日：2011-11-23

申请号：CN200910091755.6

申请日：2009-08-27

Applicant: 北京交通大学

Inventor： 李兵 ,  郎丛妍 ,  须德

IPC: G06T11/00 ,  G06N3/02 ,  G06N3/08

Abstract: 一种基于图像导数结构的颜色恒常性计算方法及系统，属于颜色恒常性计算和图像光照处理技术领域。其包括：首先，基于图像导数结构进行图像特征提取，提出色度直方图特征向量，以便用于计算颜色恒常性；其次，应用ELM神经网络对色度直方图特征向量进行训练，并将每幅训练图像对应的光照色度构成神经网络的输出向量；最后，通过对角模型，对测试图像进行光照校正，以得到白光下的图像颜色。本发明充分利用图像导数结构的特征信息来提高颜色恒常性计算的性能，具有学习速度快，泛化能力强，而且可以同时进行二维光照色度的估计等优点。

公开(公告)号：CN120088599A

公开(公告)日：2025-06-03

申请号：CN202510145904.1

申请日：2025-02-10

Applicant: 北京交通大学

Inventor： 郎丛妍 ,  赵治坤 ,  王振学

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明提供了一种基于分层强化学习的图像信号处理参数预测方法。该方法包括：通过图像逆转方法对MSCOCO数据集进行处理，制作RAW‑RGB数据集，将所述RAW‑RGB数据集划分为训练集和测试集；构建包括顶层控制器和底层控制器的分层强化学习模型，利用所述训练集训练分层强化学习模型，利用所述测试集测试训练后的分层强化学习模型，测试合格后，得到训练好的分层强化学习模型；将待处理图像输入到训练好的分层强化学习模型，训练好的分层强化学习模型输出所述待处理图像敏感的图像信号处理参数。本发明实施例利用分层强化学习模型，判断当前图像质量对哪组图像信号处理参数更为敏感，为图像信号处理参数的探索提供更有针对性的指导和更小的探索空间。

公开(公告)号：CN119047530A

公开(公告)日：2024-11-29

申请号：CN202410944113.0

申请日：2024-07-15

Applicant: 北京交通大学

Inventor： 王涛 ,  赵功霈 ,  金一 ,  郎丛妍 ,  李浥东 ,  冯松鹤

IPC: G06N3/08 ,  G06N3/042

Abstract: 本发明提供了一种基于直接反馈对齐机制的图神经网络优化方法。该方法包括：获取初始图数据，将初始图数据输入到待优化的图神经网络模型中，通过前向传播算法得到节点的预测值；对于有标签节点，根据其预测值与真值得到每一个有标签节点的误差；利用伪误差生成器为每个无标签节点生成伪误差；根据有标签节点的误差以及筛选出的伪标签节点的伪误差应用反馈对齐机制同步更新图神经网络模型的每一层网络的参数；根据损失值是否收敛判断图神经网络参数是否收敛；若图神经网络参数收敛，则训练完成，输出优化后的图神经网络模型。本发明方法同时能够处理半监督学习环境中的标签稀缺问题。可以应用于引文网络分类，互联网网页分类等图数据挖掘任务中。

公开(公告)号：CN114140826B

公开(公告)日：2024-05-31

申请号：CN202111468443.X

申请日：2021-12-03

Applicant: 北京交通大学

Inventor： 金一 ,  李雪 ,  姜天姣 ,  王涛 ,  李浥东 ,  冯松鹤 ,  郎丛妍

IPC: G06V40/10 ,  G06V10/32 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法，包括如下步骤：步骤1：对数据进行预处理；步骤2：通过编码器提取样本特征，基于特征聚类生成伪标签；步骤3：基于注意力模块分离Feature Map；步骤4：向前传播得到目标和相机分类结果；步骤5：计算损失函数；步骤6：对模型进行优化计算；步骤7：得到测试模型的效果；步骤8：得到无监督目标重识别的解决方案；本申请相比于现有的消除相机影响的无监督目标重识别方法，用注意力模块直接分离相机特征更加直接，比二阶段方法更加简单；基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。

公开(公告)号：CN111814584B

公开(公告)日：2024-03-12

申请号：CN202010560236.6

申请日：2020-06-18

Applicant: 北京交通大学

Inventor： 金一 ,  李晨宁 ,  李璇 ,  李浥东 ,  郎丛妍 ,  冯松鹤

IPC: G06V20/56 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供了一种基于多中心度量损失的多视角环境下车辆重识别方法。该方法包括：获取包含车辆身份标签的车辆样本图像，经过空间变换网络对图像进行仿射变换后，将图像经过深度卷积神经网络进行特征提取，得到图像的特征向量；根据图像的特征向量分别计算出分类任务损失和多中心度量学习损失并相加，得到综合损失的值；根据综合损失的值计算深度卷积神经网络的参数和视角中心向量的梯度，得到训练好的深度卷积神经网络模型；利用训练好的深度卷积神经网络模型对车辆图像进行特征提取和身份识别处理。本发明使用空间变换网络对图像进行仿射变换，采用K‑means聚类的方法的估计视角信息，可以增加车辆视角估计的准确性，提高车辆重识别的准确率。

公开(公告)号：CN113870160B

公开(公告)日：2024-02-27

申请号：CN202111060998.0

申请日：2021-09-10

Applicant: 北京交通大学

Inventor： 王旭 ,  曾宇乔 ,  金一 ,  岑翼刚 ,  孙宇霄 ,  李浥东 ,  郎丛妍 ,  王涛 ,  冯松鹤

IPC: G06T5/50 ,  G06T5/60 ,  G06T17/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于变换器神经网络的点云数据处理方法。该方法包括：构建三维物体对称检测模型，通过检测物体对称面/轴获取输入的点云数据的对称点，将点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；通过变换器网络模型提取多组数据据增强后的点云图数据的全局特征信息和局部特征信息，得到下采样后的点云数据；结合不同的目标任务需求，构建任务驱动的任务网络模型，将下采样后的点云数据输入到任务网络模型，得到目标任务结果。本发明有效结合三维物体对称检测模型与变换器网络模型，能够在提高下采样模型鲁棒性的同时，进而具有最小化目标任务精度损失的能力，提升下采样规模

公开(公告)号：CN116824346A

公开(公告)日：2023-09-29

申请号：CN202310577296.2

申请日：2023-05-22

Applicant: 北京交通大学

Inventor： 郎丛妍 ,  蔡添 ,  陈诗迪 ,  冯紫钰

IPC: G06V20/00 ,  G06V10/22 ,  G06V10/764 ,  G06V10/82 ,  G06V10/766 ,  G06N3/084 ,  G06V10/40 ,  G06N3/0464 ,  G06V10/774

Abstract: 本发明提供一种基于全局注意力的检测模型训练和火灾检测方法、系统，属于计算机视觉、模式识别及人工智能技术领域，结合全局上下文信息，联合使用基于通道维度的通道注意力机制和基于空间维度的自注意力机制搭建全局上下特征增强模块，并引入全局上下文特征增强模块，构建烟雾火焰检测模型；采用多尺度预测策略，通过多个尺度的特征来预测不同尺寸的目标。本发明通过使用基于全局注意力机制的烟雾火焰检测模型挖掘烟雾和火焰中的有效信息，弱化复杂背景噪声对检测性能的干扰，从而获得更优的特征表达，提高了烟雾和火焰的检测精度。

公开(公告)号：CN112801138A

公开(公告)日：2021-05-14

申请号：CN202110009492.0

申请日：2021-01-05

Applicant: 北京交通大学

Inventor： 李浥东 ,  郎丛妍 ,  孙鑫雨 ,  冯紫钰 ,  赵治坤 ,  汪敏

IPC: G06K9/62 ,  G06K9/00 ,  G06F16/951 ,  G06N3/02

Abstract: 本发明提供了一种基于人体拓扑结构对齐的多人姿态估计方法。该方法包括：用MS‑COCO和MPLL数据集为输入训练HRNet网络，得到XZZNet网络；利用HRNet网络对数据集的图像样本进行学习得到人体关键点图像；将SZF数据集输入到XZZNet网络中，生成候选的没有袖子的人体姿态关键点；对HRNet网络生成的人体关键点图和XZZNet生成的候选的人体关键点图进行图匹配，利用交叉熵损失函数微调XZZNet网络，得到优化的XZZNet网络；将SZF数据集输入到优化的XZZNet网络中，生成SZF数据集中的图像对应的关键点检测图像，根据关键点检测图像得到图像中包含人体的各个关键点姿态信息。本发明在没有标记或者稀疏标记的图像中可以显著提高目标域的性能，在无监督网络学习框架下可以准确地区分图像中人体的各个关键点。

公开(公告)号：CN111581469A

公开(公告)日：2020-08-25

申请号：CN202010412162.1

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 冯松鹤 ,  李浥东 ,  李子薇 ,  金一 ,  郎丛妍

IPC: G06F16/906 ,  G06N20/00

Abstract: 本发明提供了一种基于多子空间表示的偏多标记学习方法。该方法包括利用真实标记矩阵构建标记子空间，利用特征映射矩阵构建特征子空间，通过标记子空间和特征子空间学习得到基于多子空间表示的偏多标记学习模型；对基于多子空间表示的偏多标记学习模型进行交替优化训练学习，求解基于多子空间表示的偏多标记学习模型，得到最优的预测模型；将未知样本输入到最优的预测模型，最优的预测模型输出未知样本的标记信息。本发明解决了特征存在噪声和冗余标记的问题，使用映射矩阵将特征空间映射到子空间，减少特征噪声对预测模型的影响；使用矩阵分解技术将标记空间降维到标记子空间，使用图拉普拉斯约束标记子空间，消除冗余标记噪声对预测模型的影响。