-
公开(公告)号：CN112330681A
公开(公告)日：2021-02-05
申请号：CN202011235609.9
申请日：2020-11-06
Applicant: 北京工业大学
IPC: G06T7/10
Abstract: 本发明涉及一种基于注意力机制的轻量级网络实时语义分割方法，用以解决分割精度与分割效率难以达到平衡，不能满足实际应用的问题。包括：图像数据准备；构建基于注意力机制的轻量级实时语义分割网络，提出一种新的非对称编码‑解码网络结构，在编码器中，使用了轻量化模块‑可分离非对称模块，该模块结合了深度可分离非对称卷积和空洞卷积的优点，在保持精度的同时大大降低了计算量；在解码器中设计了一个注意力特征融合模块，将编码器中的特征与解码器中的特征进行融合，将其融合后的的特征经过注意力机制的选择和组合，增强对恢复图像信息有用的特征，有效提高了网络分割的精度；最终利用训练完成的分割网络实现语义分割。
-
公开(公告)号：CN112132856A
公开(公告)日：2020-12-25
申请号：CN202011056564.9
申请日：2020-09-30
Applicant: 北京工业大学
IPC: G06T7/20
Abstract: 本发明涉及一种基于自适应模板更新的孪生网络跟踪方法，用于解决目标跟踪过程中面对遮挡和快速变形等问题时的跟踪精度和鲁棒性低的问题。首先将待跟踪的视频帧和目标模板输入到孪生跟踪模块中，输出预测的目标跟踪边界框；然后将历史跟踪信息输入到轨迹预测模块中，判断是否启动模板更新模块；若启动了模板更新模块，模板更新模块对当前帧使用的目标模板进行更新，更新后的目标模板代替更新前的目标模板作为孪生跟踪模块的输入；重复这一过程完成视频跟踪。本发明使目标模板特征能够适应目标的外观变化，实现了实时跟踪，有效解决了目标在发生被遮挡或快速变形等问题时目标跟踪精度和鲁棒性低的问题。
-
公开(公告)号：CN110490884A
公开(公告)日：2019-11-22
申请号：CN201910784087.9
申请日：2019-08-23
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于对抗的轻量级网络语义分割方法，用以解决预测准确率低，网络处理速度慢，难以达到实时预测的要求的问题。本发明从提升语义分割速度和精度的角度出发，提出一种基于对抗的轻量化语义分割方法。首先，通过减少通道数量，利用非对称卷积减少跳跃连接中参数量，空洞卷积增加特征图感受野，通道打乱操作提升网络信息获取能力，构建轻量级非对称的编码解码语义分割网络；然后，利用对抗思想，使用判别网络对分割图像和标定的语义标签进行判别，并设计判别损失函数和分割损失函数，通过反向传播的方法交替更新分割网络和判别网络，直至判别网络无法分辨分割网络生成的标注和真实标注，实现图像的语义分割。本发明利用轻量化模型和对抗思想使得分割网络确保实时性的同时，具有较高的分割精度。
-
公开(公告)号：CN108338787A
公开(公告)日：2018-07-31
申请号：CN201810076888.5
申请日：2018-01-26
Applicant: 北京工业大学
IPC: A61B5/0476 , A61B5/00 , G06K9/62
Abstract: 本发明涉及一种多时段多元多尺度锁相值(MMMPLV)的相位特征提取方法，首先对运动想象脑电信号进行预处理，并采用噪声辅助多元经验模态分解(NAMEMD)将多导脑电信号同时进行分解，得到多元多尺度固有模态函数(IMFs)；然后根据各尺度IMF的频率范围选取有效的IMF分量；接着分时段计算任意两导联同一尺度IMFs的锁相值(PLV)，将任意两导联各尺度分时段的PLV串联，构成多时段多元多尺度锁相值特征，并将其作为脑电信号的相位特征；将相位特征输入到分类器中进行分类，根据分类正确率选取NAMEMD和MMMPLV中参数的最优值，最终获得最优参数下的脑电相位特征。本发明提高了运动想象脑电信号的分类正确率。
-
公开(公告)号：CN104134071A
公开(公告)日：2014-11-05
申请号：CN201410277452.4
申请日：2014-06-20
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于颜色描述的可变形部件模型物体检测方法，本发明属于图像目标检测技术领域，本发明方法提出一种智能的融合形状与颜色特征的物体检测方法，以可变形部件模型为底层框架，在训练模板时在原有的梯度方向直方图特征空间中加入基于语言学的Color Name颜色描述符，得到特定物体类型的形状模板与颜色模板，最后在检测阶段利用梯度方向直方图形状模板与Color Name颜色模板双模板匹配的滑动窗口方法检测物体。本发明方法克服了传统方法由于使用单一特征描述物体而产生误检测的缺点。
-
Patent Agency Ranking
公开(公告)号：CN104036242A
公开(公告)日：2014-09-10
申请号：CN201410241967.9
申请日：2014-06-03
Applicant: 北京工业大学
Abstract: 本发明涉及基于centering trick卷积限制玻尔兹曼机的物体识别方法，包括构造训练数据库，对图像进行重构，进行白化预处理，采用融合centering trick的CRBM模型对训练集进行特征提取，将三维特征矩阵变换为一维特征向量，采用Softmax分类器对特征进行分类，获取测试集并对其进行重组和白化，计算池化层输出所对应的假设值Si，根据Si是否等于测试集标签判断分类是否正确。本发明在特征提取过程中充分利用图像自身的二维性及像素间的联系，使用CRBM模型实现权重共享，减少了运算所需内存，提高了运算速度。利用centering trick减少了每一层输入时的噪声，提高了运算的准确性和模型的稳定性。
-
公开(公告)号：CN104035563A
公开(公告)日：2014-09-10
申请号：CN201410274341.8
申请日：2014-06-19
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于W-PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。
-
公开(公告)号：CN102306303B
公开(公告)日：2012-10-31
申请号：CN201110274365.X
申请日：2011-09-16
Applicant: 北京工业大学
Abstract: 本发明涉及脑-机接口(Brain-ComputerInterface，BCI)装置中想象动作电位的特征提取方法，具体讲的是正则化方法与CSSD算法相结合的特征提取方法。本发明引入正则化参数，在正则化参数的作用下将目标实验者训练数据的协方差矩阵和辅助实验者训练数据的协方差矩阵相结合构成正则化协方差矩阵，然后构造正则化空间滤波器。然后利用正则化空间滤波器对目标实验者的测试数据进行特征分析，在处理小样本问题时，解决了CSSD算法中特征值不稳定和分类准确率等问题。
-
公开(公告)号：CN102629328A
公开(公告)日：2012-08-08
申请号：CN201210062379.X
申请日：2012-03-12
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 融合颜色的显著特征概率潜在语义模型物体图像识别方法属于图像识别技术领域，其特点在于，利用SIFT算法提取图像的局部显著特征，同时加入颜色特征，生成HSV_SIFT特征，并引入TF-IDF权重信息进行特征重构，使局部显著特征更具有区分度，利用潜在语义特征模型得到图像潜在语义特征，最后采用最近邻KNN分类器进行分类。本发明既考虑了图像的彩色信息，又充分考虑了视觉单词在整个图像集合中的分布情况，使物体的局部显著特征更具有可区分性，提高了识别能力。
-
公开(公告)号：CN102609719A
公开(公告)日：2012-07-25
申请号：CN201210017692.1
申请日：2012-01-19
Applicant: 北京工业大学
Abstract: 一种基于改进概率主题模型的地点图像识别方法，属于图像识别技术领域。目的在于更好地解决地点图像识别中由于不同角度、光照，以及人物和物体的高度动态变化导致的不确定性问题。包括以下步骤：图像获取步骤；图像预处理步骤；特征提取步骤，采用SIFT算法对图像进行特征提取；特征聚类步骤，将所有特征聚类，得到若干聚类中心；特征分配步骤，将每幅图像的特征在聚类中心上投票，得出对应每个聚类中心的频数向量；潜在主题建模步骤，采用改进的概率主题模型学习图像的潜在主题分布；采用分类器识别未知地点图像。本发明在LDA模型中加入量化函数，通过改进LDA模型学习图像的潜在主题，在保证实时性的前提下，可有效提高识别性能。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.026 seconds)
