-
公开(公告)号：CN106709568A
公开(公告)日：2017-05-24
申请号：CN201611168200.3
申请日：2016-12-16
Applicant: 北京工业大学
CPC classification number: G06N3/0454 , G06K9/00718 , G06N3/084
Abstract: 本发明公开了基于深层卷积网络的RGB‑D图像的物体检测和语义分割方法，属于深度学习及机器视觉领域。本方法采用的技术方案中使用Faster‑RCNN替换原来缓慢的RCNN，Faster‑RCNN使用GPU不仅在提取特征方面拥有很快速度，而且在网络中能同时产生区域方案，能够实现整个训练过程是端到端的训练，同时使用FCN执行RGB‑D图像的语义分割，FCN使用GPU和深层卷积网络快速提取图像的深层特征，利用反卷积操作把图像卷积的深层特征和浅层特征进行融合，把图像的局部语义信息融入到全局语义信息中。
-
公开(公告)号：CN105740891A
公开(公告)日：2016-07-06
申请号：CN201610056601.3
申请日：2016-01-27
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 基于多层次特征提取和上下文模型的目标检测，本发明所构造的模型主要是统计了真实图片中图像之间的空间位置关系，从而可以提高目标检测的正确率。无论图像是同类别还是不同类，都会有一些特定的空间位置关系。首先对一副图片进行选择搜索，产生大量region proposals，然后对每一幅图片的所有region proposals进行特征提取，采用的是7层的卷积神经网络，最后用支持向量机进行分类。本发明给出一种新的找到最佳物体检测位置的方法。主要解决的技术问题是提供一种新的上下文模型，代替原有的非极大值抑制方法，用来获得更好的目标检测正确率。
-
公开(公告)号：CN118839352A
公开(公告)日：2024-10-25
申请号：CN202410837297.0
申请日：2024-06-26
Applicant: 北京工业大学
IPC: G06F21/60 , G06F21/62 , G06F21/64 , G06F30/20 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 一种面向不同类型工业仿真软件的数据标识算法涉及工业仿真建模数据标识领域。工业仿真技术在产品生命周期中发挥着重要作用，但传统的数据集标识方法存在唯一性和规范性不足，数据安全性低的问题。本发明选取流体力学仿真的OpenFOAM、ANSYS FLUENT等五种不同的主流工业仿真软件作为数据来源，通过设定规范的数据集字段信息，构建生成唯一数据标识算法，并采用多级加密技术来提高数据安全性。通过本发明，可以确保数据集的唯一性和规范性，提高数据的检索效率和安全性。本发明使用构建的数据集微调出在工业仿真建模数据集标识场景下的大模型。本发明适用于工业仿真平台，有助于实现高效、安全和可靠的数据管理。
-
公开(公告)号：CN114332960B
公开(公告)日：2024-06-14
申请号：CN202111683766.0
申请日：2021-12-29
Applicant: 北京工业大学
IPC: G06V40/12 , G06T7/11 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明涉及一种现场指纹的特征点提取和匹配的方法，用于提高指纹识别率和减少人工劳动成本。主要包括使用深度神经网络进行指纹图像预处理、在提取指纹特征时提出使用Split Bregman算法求解滤波器组构建要满足的约束问题，将用于训练的指纹数据库作为该算法输入来训练具有稀疏性的滤波器组，把预处理后的指纹图像应用在该滤波器组上能够得到该指纹图像的特征点、将指纹图像与已知指纹图像的数据库进行匹配。将本发明提出的方法在不同的指纹数据集上进行实验验证，实验结果显示本发明所提出的方法对于低质量的现场指纹图片有一定效果。
-
公开(公告)号：CN111461229B
公开(公告)日：2023-10-31
申请号：CN202010252752.2
申请日：2020-04-01
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明提供了一种基于目标传递和线搜索的深层神经网络优化方法，并在此基础上完成图像和多维数据分类，用于解决人工神经网络在训练过程中需要频繁手动调参的问题，涉及机器学习及人工智能以及计算机视觉技术。该方法能够在训练过程中通过分析基于ReLU激活函数构造的每一层网络的数学性质从而自动计算出对于本层网络的最优学习率，最终能够使神经网络在不依赖人工调参的情况下完成自适应训练任务。相比于反向传播算法，本方法能够更快完成训练任务，并获取不弱于反向传播算法的精度表现。
-
Patent Agency Ranking
公开(公告)号：CN111401519B
公开(公告)日：2023-07-04
申请号：CN202010151779.2
申请日：2020-03-06
Applicant: 北京工业大学
IPC: G06N3/0464 , G06N3/08 , G06F18/23213
Abstract: 本发明提出的是一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，所属领域为人工智能，具体包括两个阶段：无监督特征学习阶段具体包括：搭建三元组网络结构；采用基于对象的三元组采样算法进行样本采样，用于反向传播；采用基于对象的三元组损失进行网络参数的优化。迁移到具体任务阶段具体包括：使用第一阶段获得的网络参数进行特征提取；将提取出的特征用于分类或者聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。为挖掘大量没有标签的视觉数据的潜能提供了一种新的解决方案。
-
公开(公告)号：CN116306882A
公开(公告)日：2023-06-23
申请号：CN202310199854.6
申请日：2023-03-05
Applicant: 北京工业大学
IPC: G06N3/082 , G06N3/0464 , G06N3/098
Abstract: 本发明涉及一种基于Shapley值的深度神经网络滤波器剪枝方法，包括以下步骤：选择原始网络模型，准备数据集，划分为训练集和测试集，固定模型参数，通过数据集训练出未剪枝的初始模型；将部分训练集输入初始模型，计算出每个滤波器的Shapley值；设置剪枝比例，根据Shapley值对初始模型进行剪枝，然后使用数据集对剪枝后的模型进行重新训练，得到最终的模型。本发明提出了一个Shapley值近似值计算方法，通过先假设所有滤波器Shapley值相同，然后根据不同滤波器组合的效应函数值对所有滤波器的Shapley值进行调整，最终到达对实际Shapley值的近似。
-
公开(公告)号：CN109740734B
公开(公告)日：2020-12-04
申请号：CN201811634321.1
申请日：2018-12-29
Applicant: 北京工业大学
Abstract: 本发明属于人工智能领域，具体涉及一种优化卷积神经网络中神经元空间排布的方法，包括:1、搭建网络；2、利用自组织映射算法预训练网络得到网络的初始化参数；3、修改损失函数，即在交叉熵损失函数的基础上新加描述相邻卷积核权值分布相似性的正则化项；4、按照步骤1再次搭建好新的网络，然后利用步骤2得到的卷积核的权值，初始化步骤1中搭建的网络的卷积核的权值，利用图像分类的数据集进行网络训练，利用反向传播算法不断更新网络的参数，当修改后的损失函数达到最小时结束训练，得到神经元空间排布优化后的卷积神经网络模型。此模型的神经元之间具有更好的语义组织关系，与人体内神经元的组织排列方式更相似，具有广阔的应用前景。
-
公开(公告)号：CN111401519A
公开(公告)日：2020-07-10
申请号：CN202010151779.2
申请日：2020-03-06
Applicant: 北京工业大学
Abstract: 本发明提出的是一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，所属领域为人工智能，具体包括两个阶段：无监督特征学习阶段具体包括：搭建三元组网络结构；采用基于对象的三元组采样算法进行样本采样，用于反向传播；采用基于对象的三元组损失进行网络参数的优化。迁移到具体任务阶段具体包括：使用第一阶段获得的网络参数进行特征提取；将提取出的特征用于分类或者聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。为挖掘大量没有标签的视觉数据的潜能提供了一种新的解决方案。
-
公开(公告)号：CN109978786A
公开(公告)日：2019-07-05
申请号：CN201910220680.0
申请日：2019-03-22
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于卷积神经网络的Kinect深度图修复方法，用于解决Kinect的深度图存在大面积空洞的问题，包括模型训练和深度图修复两个阶段。模型训练阶段构建了一个输入RGB图，输出深度图的单目深度估计模型，使用屏蔽掉空洞的Kinect深度图作为监督信息，训练出一个单目深度估计模型。修复阶段是把深度图对应的RGB图输入模型得到估计的深度图，并使用它填充原始深度图中的空洞，最后进行中值滤波得到最终修复结果。本方法在修复大面积的空洞的时候优势明显，本方法用“深度”补“深度”的解决思路决定了修复精度主要取决于深度估计模型本身的精度，这里如果换用其它效果更好的深度估计模型会达到更好的效果。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.041 seconds)
