-
公开(公告)号：CN108647705B
公开(公告)日：2019-04-05
申请号：CN201810368937.2
申请日：2018-04-23
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于图像和文本语义相似度的图像语义消歧方法和装置。该方法包括：将一个多义词的一个意思用一个均值向量表示，使用图像显著性标签对待处理图像进行标注，得到待处理图像的标签，将待处理图像的标签和图像内容转换成向量的形式，得到待处理图像的融合向量；使用余弦相似度分别计算出待处理图像的融合向量与每个均值向量之间的相似度，找出相似度最大的均值向量，将该相似性最高的均值向量对应的意思确定为待处理图像的正确解释。本发明采用图像、文本结合的方法，将图像转换为向量，解决了图像翻译和图像查询歧义的问题，并开创性地实现了有效消除图像歧义性。大大提高了图像查询和解释的准确性，降低了图像解释的错误率。
-
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
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：CN111581467B
公开(公告)日：2024-04-02
申请号：CN202010411587.0
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种基于子空间表示和全局消歧方法的偏标记学习方法。该方法包括：构建特征矩阵和候选标记矩阵；基于构建特征矩阵和候选标记矩阵，构建特征子空间学习模型和标记全局消歧模型；综合特征子空间学习模型和标记全局消歧模型得到混合模型，采用交替优化方法求解混合模型，得到多分类模型、映射矩阵和偏标记置信度矩阵；根据多分类模型和映射矩阵对未见示例进行分类，计算出未见示例的多个标记值，将预测置信度最高的标记值对应的标记确定为未见示例所属的标记类别。本发明可同时利用特征子空间表示法和标记全局消歧方法，同时从特征和标记两方面解决偏标记学习问题，所获特征具有更强表征能力；生成的标记置信度矩阵有更好的消歧效果。
-
公开(公告)号：CN116189280A
公开(公告)日：2023-05-30
申请号：CN202211594956.X
申请日：2022-12-13
Applicant: 北京交通大学 , 中移雄安信息通信科技有限公司 , 中移系统集成有限公司
IPC: G06V40/20 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/764 , G06V20/40 , G06V10/74 , G06N3/047 , G06N3/08 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供一种基于子空间分类的小样本行为识别方法及系统，属于计算机识别技术领域，包括：获取待识别的图像；利用预先训练好的小样本行为识别模型对所述获取的待识别图像进行处理，得到图像中行为识别结果；所述小样本行为识别模型包括深度估计网络、特征提取网络、特征融合网络和识别网络。本发明充分利用支持集每一类中的所有样本特征，通过为每一类行为构建子空间来进行分类，而非直接地使用特征均值；将每一类的样本特征凝练为一个子空间，直接计算查询样本特征到子空间的距离，而非依次计算查询样本特征到每一类中每个样本的距离，减少计算量。
-
公开(公告)号：CN116110121A
公开(公告)日：2023-05-12
申请号：CN202211594563.9
申请日：2022-12-13
Applicant: 北京交通大学 , 中移雄安信息通信科技有限公司 , 中移系统集成有限公司
IPC: G06V40/20 , G06V20/40 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明提供一种基于特征压缩的轻量化行为识别方法及系统，属于计算机识别技术领域，包括：获取待识别视频序列；利用预先训练好的识别模型对所述获取的待识别视频序列进行处理，得到视频中的行为识别结果；其中，预先训练好的识别模型包括特征提取网络和分类网络，特征提取网络包括至少一个瓶颈结构，瓶颈结构包括依次连接的两个特征压缩模块。本发明能够有效减少卷积神经网络的计算量和参数量，同时高效的提取特征图中的信息；能够通过注意力机制对时空特征进行激活，使网络更关注于有价值的特征信息上，可简便的方式建模视频帧之间的运动信息；具有较低的参数量和运算量。
-
Patent Agency Ranking
公开(公告)号：CN114140826A
公开(公告)日：2022-03-04
申请号：CN202111468443.X
申请日：2021-12-03
Applicant: 北京交通大学
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：CN114140469A
公开(公告)日：2022-03-04
申请号：CN202111462219.X
申请日：2021-12-02
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多层注意力的深度分层图像语义分割方法。该方法包括：构建图像语义分割模型，对训练图像进行预处理，得到包括训练图像的特征图的分割图像；通过图像语义分割模型使用多个不同大小的池化核对特征图进行池化处理，使用注意力函数对每一池化核层处理后得到的特征图进行注意力的计算，利用添加权重的交叉熵损失函数计算损失，使用损失进行梯度反向传播，得到训练好的图像语义分割模型；利用训练好的图像语义分割模型进行待分割的图像的语义分割处理。本发明图像语义分割模型在分层网络中添加了注意力机制，获得了全局的上下文信息，抑制无用的噪声。使用加权的交叉熵损失函数，使每个神经元获得到全局的上下文信息。
-
公开(公告)号：CN112116626A
公开(公告)日：2020-12-22
申请号：CN202010773674.0
申请日：2020-08-04
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种基于柔性卷积的单目标跟踪方法，构建柔性卷积网络模型，所述柔性卷积网络模型包括共享层和特定域层，利用数据集对所述柔性卷积网络模型进行训练，所述方法包括：S1、获取原始视频序列，进行预处理；S2、将预处理后的视频序列输入柔性卷积网络模型，所述共享层通过卷积操作获取目标的共享特征，将共享特征输入特定域层进行目标与背景的二分类，然后再进行柔性RoI池化选择候选目标区域，并利用损失函数提高候选目标区域的精度，从而实现单目标跟踪。本发明实施例利用了基于柔性卷积的单目标跟踪方法，有效的改善了单目标跟踪中物体容易发生形变的问题，同时RoI池化提高候选目标区域的精度。
-
公开(公告)号：CN111582506A
公开(公告)日：2020-08-25
申请号：CN202010411579.6
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06N20/00
Abstract: 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括：构建特征信息矩阵，利用特征信息矩阵构建不精确标记矩阵；利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵，利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型；基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型，采用块坐标下降法迭代更新方法训练偏多标记学习模型，得到训练好的预测模型；将未见示例输入到训练好的预测模型，得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性，去除有噪声的标签，通过低秩表示来训练分类器，从而提高算法的性能。
-
公开(公告)号：CN111581466A
公开(公告)日：2020-08-25
申请号：CN202010411580.9
申请日：2020-05-15
Applicant: 北京交通大学
IPC: G06F16/906 , G06N20/00
Abstract: 本发明提供了一种特征信息存在噪声的偏多标记学习方法。该方法包括：构建包含噪声的观测的特征信息矩阵，构建标签置信度矩阵；利用低秩稀疏表示模型将特征信息矩阵分解为稀疏噪声矩阵和正确的特征信息矩阵，利用稀疏噪声矩阵、正确的特征信息矩阵和观测的特征信息矩阵构建多标记预测模型；利用标签置信度矩阵对多标记预测模型进行优化，得到构建嵌入了特征信息和标签置信度的混合模型，对混合模型进行训练得到偏多标签学习模型；利用偏多标签学习模型对未见示例预测出未见示例对应的标签。本发明的方法利用低秩和稀疏分解模型准确地恢复正确的特征信息，有效地减少噪声特征信息的影响；将样本相似性和标签置信度结合，进一步提升标签置信度的准确性。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.047 seconds)
