-
公开(公告)号：CN110399868A
公开(公告)日：2019-11-01
申请号：CN201810354126.7
申请日：2018-04-19
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种滨海湿地鸟类检测方法，利用卷积神经网络，通过特征融合，将有利于小尺寸目标定位的细节信息与有利于识别的高层语义信息融合到高分辨率的特征图中；通过感兴趣区域生成网络得到感兴趣区域；并通过区域对象网络得到前景区域；进一步筛选出在前景区域的感兴趣区域，由此实现滨海湿地鸟类检测与识别。本发明能够解决现有技术在滨海湿地鸟类检测中，对于远景处的大量小尺寸鸟类检测性能较差的问题，能够大大提高滨海湿地鸟类检测中小尺寸目标的检测成功率和准确率。
-
公开(公告)号：CN110276363A
公开(公告)日：2019-09-24
申请号：CN201810212915.7
申请日：2018-03-15
Applicant: 北京大学深圳研究生院
IPC: G06K9/62
Abstract: 本发明公布了一种基于密度图估计的鸟类小目标检测方法，涉及基于计算机视觉的生态监测技术。本发明方法包括训练阶段和检测阶段，利用基于实例学习的方法学习密度图，在密度图上，通过滑动窗口和求窗口内局部极值的方法估计鸟类小目标的位置，进行基于超像素的包围框估计，实现小样本训练集下的鸟类小目标检测。本发明降低了对训练集规模的依赖性，同时减轻大量繁琐的训练样本人工标注的工作；能够更好地匹配小目标的形状和轮廓，检测精度较高。
-
公开(公告)号：CN109919295A
公开(公告)日：2019-06-21
申请号：CN201711315405.4
申请日：2017-12-12
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种嵌入式音频事件检测方法，涉及音频事件检测技术。首先对卷积神经网络模型进行改进，提出轻量级膨胀卷积神经网络(Lightened Dilated Convolution Neural Network，L-D-CNN)，包括膨胀卷积层、池化层、特征求和层、输出层。采用L-D-CNN作为模型训练模块，模型大小减少了50-60倍，可以降低神经网络的计算复杂度，在显卡上的运算速度提高了50-60倍，可使用嵌入式的Nvidia TX2显卡运行；此外，对嵌入式音频事件的检测精度提高了2％-8％。
-
公开(公告)号：CN105631858B
公开(公告)日：2018-06-22
申请号：CN201510962834.5
申请日：2015-12-21
Applicant: 北京大学深圳研究生院
IPC: G06T7/00
Abstract: 本发明提供了一种基于样本块的图像目标计数方法。所述方法通过滑动窗口从输入图像中依次提取出固定大小的图像块，之后根据其简单特征和相似度测量函数从训练集中搜索出最相似的K个候选图像块。基于这K个块，使用稀疏约束选择少量的用于重构的样本并计算样本对应重构权重。将该权重应用于样本对应的密度图，得出提取的图像块对应密度图，并将其置于输入图像密度图的相应位置。重复上述过程直至滑动窗口提取完所有图像块。最终累加输入图像的密度图中所有像素值得出感兴趣目标的数量。该方法与主流方法相比所需训练图像少、特征简单，即可达到满意的精度。其对于图像的分辨率也很鲁棒，即使输入图像或视频流分辨率较低也能保持很好的计数精度。
-
公开(公告)号：CN101290656A
公开(公告)日：2008-10-22
申请号：CN200810067409.X
申请日：2008-05-23
Applicant: 北京大学深圳研究生院
Abstract: 本发明公开了一种用于版面分析中的连通区域提取方法及装置，该方法包括如下步骤：对于目标像素p(x，y)，定义其邻域N(p)为：N(p)＝{(x－1，y)，(x+1，y)，(x，y－1)，(x，y+1)，(x－1，y－1)，(x+1，y－1)，(x－1，y+1)，(x+1，y+1)，(x－4，y)，(x－3，y)，(x－2，y)，(x+2，y)，(x+3，y)，(x+4，y)，(x，y+2)，(x，y－2)}；对于和目标像素p(x，y)具有相同像素值的任意像素q(i，j)，判断q(i，j)是否在邻域N(p)中，若是，则将像素p(x，y)和像素q(i，j)作为同一连通区域进行提取。本发明的方法和装置能大大减少了提取的连通区域的数目，增大了连通区域的面积，降低了后续处理中连通区域合并的计算量和处理复杂度，使后续处理变得简单易行。
-
Patent Agency Ranking
公开(公告)号：CN117573878A
公开(公告)日：2024-02-20
申请号：CN202311323944.8
申请日：2023-10-11
Applicant: 北京大学深圳研究生院
IPC: G06F16/36 , G06F16/332 , G06F40/216 , G06F40/284 , G06F40/30 , G06N3/0895 , G06N3/0455 , G06N3/09
Abstract: 本发明提供了一种基于知识辅助的对话文本关系抽取方法，包括以下步骤：S1.设计触发词识别任务，以将触发词知识注入到预训练语言模型中；S2.设计标签语义表示学习任务，以将标签语义知识注入到预训练语言模型中；以及S3.采用基于提示学习的关系抽取任务挖掘预训练语言模型中的知识，并进行关系抽取。本发明方法提升了模型对于触发词知识和标签语义知识的利用率，提升了对话关系抽取的性能以及推理效率，满足了构建特定领域的知识图谱以及提升对话系统性能的需求。
-
公开(公告)号：CN117218640A
公开(公告)日：2023-12-12
申请号：CN202311191588.9
申请日：2023-09-15
Applicant: 北京大学深圳研究生院
IPC: G06V20/62 , G06V30/146 , G06V30/19 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于稀疏候选框的自然语言时序定位方法，包括：S1.获得各采样帧的原始图像以及获得离散化的文本令牌表征；S2.利用视频编码器和文本编码器获得视频和文本模态的特征表达；S3.在获得所述视频和文本模态的特征表达之后，进行跨模态的特征融合以构建视频和语言内容之间的相关性，并生成跨模态特征；S4.稀疏候选框生成；S5.外观特征建模；S6.位置特征建模：引入位置特征作为显式先验信息来调节可学习的时序候选框的更新；S7.对于每一个候选框，将原始候选框特征与外观和位置特征进行级连，以获取最终的候选框特征；S8.分类和定位：使用集合损失函数对网络进行训练。本发明方法进一步提高了时序行为定位性能。
-
公开(公告)号：CN110399868B
公开(公告)日：2022-09-09
申请号：CN201810354126.7
申请日：2018-04-19
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种滨海湿地鸟类检测方法，利用卷积神经网络，通过特征融合，将有利于小尺寸目标定位的细节信息与有利于识别的高层语义信息融合到高分辨率的特征图中；通过感兴趣区域生成网络得到感兴趣区域；并通过区域对象网络得到前景区域；进一步筛选出在前景区域的感兴趣区域，由此实现滨海湿地鸟类检测与识别。本发明能够解决现有技术在滨海湿地鸟类检测中，对于远景处的大量小尺寸鸟类检测性能较差的问题，能够大大提高滨海湿地鸟类检测中小尺寸目标的检测成功率和准确率。
-
公开(公告)号：CN110556129B
公开(公告)日：2022-04-19
申请号：CN201910851155.9
申请日：2019-09-09
Applicant: 北京大学深圳研究生院
IPC: G10L25/63 , G10L25/30 , G06V10/774 , G06N3/04
Abstract: 本申请提供了一种双模态情感识别模型训练方法及双模态情感识别方法，其中，该双模态情感识别模型训练方法包括：将语音训练数据输入第一神经网络模型进行训练，以得到语音情感识别模型；将图像训练数据输入第二神经网络模型，采用第一损失函数进行第一阶段的有监督训练，以得到第一阶段的初始图像情感识别模型；将图像训练数据输入第一阶段的初始图像情感识别模型，采用第二损失函数进行第二阶段的有监督训练，以得到目标图像情感识别模型，将所述语音情感识别模型及所述目标图像情感识别模型进行决策级融合，以得到双模态情感识别模型。
-
公开(公告)号：CN112446245A
公开(公告)日：2021-03-05
申请号：CN201910811947.3
申请日：2019-08-30
Applicant: 北京大学深圳研究生院
Abstract: 本发明涉及一种基于运动边界小位移的高效运动表征方法及装置。其中，所述方法包括以下步骤：步骤1、抽取视频序列中的相邻N帧的原始图像；步骤2、利用卷积神经网络处理相邻N帧的原始图像，获得相应的浅层特征图；步骤3、对相邻N帧的所有相邻两帧的浅层特征图进行差异计算，获得所有相邻两帧在特征空间中的差异图；步骤4、将所有相邻两帧在特征空间中的差异图沿着通道维度进行差异累积；步骤5、按编码方案对差异累积结果进行编码，从而获得本发明所述的高效运动表征。相比于一些依赖光流作为运动表征的方法，本发明无需预先进行复杂的光流计算，可以通过计算浅层特征空间上的差异来建模运动边界小位移，从而极大降低运动表征计算的复杂度。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.022 seconds)
