-
公开(公告)号：CN112598060A
公开(公告)日：2021-04-02
申请号：CN202011533129.0
申请日：2020-12-22
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 基于自步学习的多视聚类方法及装置，能够有效避免传统方法的不足，能够有效提高模型对噪声点和离群值的鲁棒性，确保视角共享一致性信息最大化的同时还能有效利用到每个视角自己的内在化差异性信息。方法包括：(1)输入为多视角数据集，对每个视角、每个样本对应一个节点，以每个节点为中心，利用自适应图学习方法学习节点之间的相似性从而构建边，以此完成每个视角的图的构建；(2)基于一致性和个性化信息分离策略构建多图聚类模型；(3)使用自步学习权重矩阵来衡量图中每个节点的复杂性，从较少的简单节点过渡到越来越多的复杂节点，逐渐参与到多图学习中去，直到模型收敛；(4)输出聚类结果。
-
公开(公告)号：CN111461437A
公开(公告)日：2020-07-28
申请号：CN202010252751.8
申请日：2020-04-01
Applicant: 北京工业大学
Abstract: 本发明提出一种基于生成对抗网络的数据驱动人群运动仿真方法，涉及人群仿真和深度学习等领域，用于在从行人运动视频数据中提取的行人轨迹数据集的基础上，在仿真场景中生成数据集中不存在的虚拟行人，并且为生成的虚拟行人根据给定的条件如初始位置、目的地等以及整个场景内的其它因素进行完整的、更贴近真实行人反应的路径规划。该方法应用了基于长短期记忆网络(LSTM)的生成对抗网络(GAN)来训练仿真模型。本发明的方法仿真出的虚拟行人的运动轨迹相较于传统的基于规则的人群仿真方法的仿真效果更具真实感、与现实行人运动情况更为相近。本发明完成了对虚拟行人进行的轨迹规划任务，并且有效地提高了人群运动仿真效果的真实性。
-
公开(公告)号：CN110188427A
公开(公告)日：2019-08-30
申请号：CN201910415935.9
申请日：2019-05-19
Applicant: 北京工业大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于非负低秩动态模式分解的交通数据填充方法，从道路上的交通探测器中得到的交通数据，将其处理成m列的数据快照矩阵的形式，然后分成两个具有m-1列的数据快照矩阵来分别代表原始数据的前m-1列和后m-1列。然后考虑矩阵填充中的映射算子，并考虑到交通数据的非负性，得到交通数据的填充模型，最后通过该方法提出的模型进行交通数据的填充修复。此方法能够不仅能够直接处理从交通探测器得到的交通数据所形成的数据快照矩阵，还能够处理有缺失的交通数据并进行填充。与一些传统的交通数据矩阵填充方法相比，本发明考虑到了交通数据会出现局部丢失的问题，提升交通数据的填充修复能力，证明该方法的有效性以及实用性。
-
公开(公告)号：CN105389343B
公开(公告)日：2019-08-16
申请号：CN201510695870.X
申请日：2015-10-23
Applicant: 北京工业大学
IPC: G06F16/28
Abstract: 本发明公开了一种向量化降维方法，其识别率大大提高。所述方法包括步骤：(1)根据公式(1)的向量化降维模型，将张量数据表示成若干个基张量的线性组合；(2)将张量数据直接降维到一个向量数据,将样本Yi重新写成投影基底Wk(k＝1，...，K)的线性组合，投影基底Wk与样本Yi有相同的维度，得到2D数据的向量化的降维；(3)假设噪声满足矩阵高斯分布Ei的每个元素满足正态分布
-
公开(公告)号：CN109754018A
公开(公告)日：2019-05-14
申请号：CN201910022393.9
申请日：2019-01-09
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于F范数的低秩局部保持投影的图像识别方法，对高维数据进行降维，特别针对图像中存在异常值的情况。具体采用鲁棒性主成分分析(RPCA)和基于F范数的局部保持投影对输入的原始图像数据建立分析模型；采用交替迭代法求解模型，得到图像的投影矩阵；根据得到的投影矩阵，对未知的图像进行分类。本方法使用低秩数据矩阵作为输入，使用F范数作为样本间距离测量标准，使得高维空间中距离较近的数据在投影到低维空间后仍保持距离较近，从而保持数据的局部结构。
-
Patent Agency Ranking
公开(公告)号：CN108171249A
公开(公告)日：2018-06-15
申请号：CN201810083376.1
申请日：2018-01-29
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于RGBD数据的局部描述子学习方法，包括设计卷积神经网络模型，使用随机梯度下降方法训练卷积神经网络，使用训练完成的卷积神经网络构造描述子。其中卷积神经网络模型包含两部分：第一部分为特征提取层，第二部分为特征融合层；其中特征提取层分为两个子网络：二维卷积子神经网络和三维卷积子神经网络；特征融合层为全连接神经网络；二维卷积子神经网络和三维卷积子神经网络是平行网络。本发明解决了RGBD数据融合方式提取特征点描述子的问题，相对于其他同类方法，本方法鲁棒性更强，匹配准确率更高。
-
公开(公告)号：CN104200194B
公开(公告)日：2018-04-27
申请号：CN201410382255.9
申请日：2014-08-06
Applicant: 北京工业大学
Abstract: 本发明公开了一种人脸识别方法，其能够大大提高识别率，对非高斯噪声具有鲁棒性。这种人脸识别方法，包括步骤：(1)获得稀疏重构图像Y'；(2)获取残差图像；(3)获取奇异点检测模板；(4)获取融合重构图像；(5)经过残差矩阵判断是否继续迭代；(6)重复步骤(1)至(5)k次，利用k次迭代去噪后的图像，稀疏重构后分类。
-
公开(公告)号：CN104519571B
公开(公告)日：2018-03-09
申请号：CN201410831784.2
申请日：2014-12-26
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于RSS(Received signal strength,接收信号强度)的室内定位方法，其数据获取方便、无需额外增加接收设备、定位准确。这种基于RSS(Received signal strength,接收信号强度)的室内定位方法，包括步骤：(1)离线阶段，收集空间一些位置上的无线信号接收强度信息，构建指纹库；(2)在线测试阶段，收集行走路径上的信号强度；(3)通过使用稀疏表示算法，加入时间与空间约束条件，建立定位模型；(4)计算路径上信号值对应的位置坐标，对结果进行优化。
-
公开(公告)号：CN107016357A
公开(公告)日：2017-08-04
申请号：CN201710177973.6
申请日：2017-03-23
Applicant: 北京工业大学
Abstract: 本发明一种基于时间域卷积神经网络的行人检测方法，将针对单幅图像的行人检测方法扩展为针对连续帧图像，训练卷积神经网络学习单幅视频帧上的空间关联性和连续帧之间的时间关联性，弥补了现有方法在检测被遮挡的行人上的不足。此外，采用时间域卷积神经网络进行的行人检测，对行人的姿势变化更加鲁棒，整体的检测精确度和召回率均有提升。
-
公开(公告)号：CN105389343A
公开(公告)日：2016-03-09
申请号：CN201510695870.X
申请日：2015-10-23
Applicant: 北京工业大学
IPC: G06F17/30
CPC classification number: G06F16/284
Abstract: 本发明公开了一种向量化降维方法，其识别率大大提高。所述方法包括步骤：(1)根据公式(1)的向量化降维模型，将张量数据表示成若干个基张量的线性组合；(2)将张量数据直接降维到一个向量数据,将样本Yi重新写成投影基底Wk(k＝1，...，K)的线性组合，投影基底Wk与样本Yi有相同的维度，得到2D数据的向量化的降维；(3)假设噪声满足矩阵高斯分布Ei的每个元素满足正态分布
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.048 seconds)
