-
公开(公告)号：CN116824190A
公开(公告)日：2023-09-29
申请号：CN202310833362.8
申请日：2023-07-07
Applicant: 北京邮电大学
IPC: G06V10/762 , G06V10/764 , G06V10/74 , G06V10/82 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于统计相关性聚类的域泛化归一化方法。所述方法包括：针对输入批次特征的相似性进行聚类，对聚类后的每个簇分别计算统计量对簇内样本进行标准化，并设计簇级别的统计量更新策略更新累计统计量，最终根据权重与偏置进行映射得到归一化输出；针对输入批次中每个样本特征计算统计量，利用计算得到的统计量进行标准化，最终同样根据权重与偏置进行映射得到归一化输出；设计动态融合模块对两种归一化方式的输出进行动态融合，得到最终基于统计相关性聚类的归一化层的输出。本发明能够大幅提升多种域泛化任务的精度，包括单域泛化图像识别，多域泛化图像识别，域泛化行人再识别等任务，有效提升源域数据训练的模型在目标域数据上的鲁棒性，同时该方法作为端到端模型的组成部分，其时间复杂度与计算资源消耗较小，具有较高的实际应用价值。
-
公开(公告)号：CN116740090A
公开(公告)日：2023-09-12
申请号：CN202310689783.8
申请日：2023-06-12
Applicant: 北京邮电大学
IPC: G06T7/11 , G06V10/764 , G06V10/762 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于点标注的弱监督多模态细胞图像分割方法。所述方法包括：针对多个病例，获取并预处理多模态细胞图像；根据细胞图像的颜色特征和点标注的空间特征，绘制四种不同的细胞分割伪标签，包括但不限于维诺图分类伪标签、超像素分类伪标签、超像素回归伪标签以及细胞实例距离回归伪标签等；搭建多模态细胞图像分割网络，提取图像深度特征，并使用五种不同的任务支路训练网络，包括但不限于维诺图分类支路、超像素分类支路、超像素回归支路、细胞实例距离回归支路以及局部温度调节支路等；将待分割细胞图像输入训练好的分割网络中，分割网络将提取图像特征，并计算得出细胞的概率；最后使用基于分水岭算法的后处理方法处理预测概率图，得到最终的细胞分割结果。本发明设计的基于点标注的弱监督多模态细胞图像分割方法，大幅降低了人为标注的工作量，并能高质量完成对于多模态细胞图像的细胞分割任务，进而辅助医生进行病情诊断。
-
公开(公告)号：CN116258868A
公开(公告)日：2023-06-13
申请号：CN202211575232.0
申请日：2022-12-08
Applicant: 北京邮电大学
IPC: G06V10/44 , G06V10/764 , G06V10/774
Abstract: 本发明提供了一种分布自适应的渐进式长尾图像识别方法。所述方法包括：在图像识别模型训练初期，对模型施加类别无关的等距的边缘损失；在图像识别模型训练中期，基于模型分类器通过训练数据学习到的参数，周期性计算原始数据分布感知因子，并根据该因子对当前训练周期的模型施加类别相关的、数据分布自适应的非等距的边缘损失；在图像识别模型训练后期，根据训练后期开始时的模型分类器参数，计算原始数据分布感知因子，对训练后期的模型施加类别相关的、数据分布自适应的非等距边缘损失以及对损失进行类别相关的、数据分布自适应的重加权。本发明通过设计的感知分布因子，能够较好的应对训练数据分布未知或难以获取的情况。
-
公开(公告)号：CN104464079A
公开(公告)日：2015-03-25
申请号：CN201410837446.X
申请日：2014-12-29
Applicant: 北京邮电大学
IPC: G07D7/20
Abstract: 本申请公开了基于模板特征点及其拓扑结构的多币种面值识别方法，包括：1、提取待识别纸币图像的特征点，记录特征点的位置及其特征描述；2、将待识别纸币图像的特征点与各个模板的基准点分别进行第一比对匹配，选取与一个或多个模板的基准点之间的匹配结果满足第一匹配条件的特征点，作为待识别纸币图像的基准点；3、以待识别纸币图像的基准点作为基准，生成其它特征点的拓扑结构信息；4、将待识别纸币图像的其它特征点的特征描述及其拓扑结构信息与一个或多个模板的特征点的特征描述及其拓扑结构信息进行第二比对匹配；5、选取与待识别纸币图像的比对匹配结果满足判别条件的模板所代表的币种及面值，作为待识别纸币图像的面值识别结果。
-
公开(公告)号：CN103955699A
公开(公告)日：2014-07-30
申请号：CN201410125985.0
申请日：2014-03-31
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于监控视频的实时摔倒事件检测方法，在检测场景中安装有朝向同一目标区域、拍摄角度不同的多个摄像机，多个摄像机连续拍摄目标区域，包括以下步骤：多个摄像机同时拍摄目标区域的一段视频；从多个摄像机各自拍摄的同一时段的多个视频中，分别提取出每一帧画面的代表目标的前景图像；提取同一时刻同一目标的前景图像在由多个摄像机拍摄的画面中的各自的形状和位置特征，并使用RVM分类器，确定每一帧画面对应的时刻的目标姿态类别；将所得到的每一帧画面的目标姿态类别作为目标姿态值序列输入到HMM评估器，得到目标姿态类别变化的后验概率，目标姿态类别变化代表目标摔倒事件发生；如果后验概率大于预定阈值，则确定摔倒发生。
-
Patent Agency Ranking
公开(公告)号：CN118823641A
公开(公告)日：2024-10-22
申请号：CN202410915227.2
申请日：2024-07-09
Applicant: 北京邮电大学
IPC: G06V20/40 , G06V20/70 , G06V40/16 , G06V10/82 , G06T9/00 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/084
Abstract: 本发明提供智能驾驶场景语义编码上链和多下游任务集成方法及系统，包括：构建智能驾驶场景下视频数据关键帧特征编码器Me，通过自监督重建任务进行编码器参数学习；根据区块链共享节点的业务需求设计安全员异常行为识别、场景重建、安全员人脸识别等多种下游任务解码器Di，通过多下游任务共同监督多个解码器Di的训练；搭建视频数据语义编码上链和下游任务应用框架，涵盖输入视频数据S、筛选关键帧Sf、获取关键帧语义编码信息Me(Sf)上链、多节点共识和编码信息共享、得到下游任务解码信息Di[Me(Sf)]。本发明通过语义编码上链实现海量复杂数据的高效表征和存证，满足区块链共享节点的多种下游任务需求，从而促进相关领域数据的高效可信存证和可信共享。
-
公开(公告)号：CN118644878A
公开(公告)日：2024-09-13
申请号：CN202410733376.7
申请日：2024-06-06
Applicant: 北京邮电大学
Abstract: 本发明提供了一种基于三维特征和图神经网络的非接触指纹识别方法。所述方法包括：对非接触指纹图像进行预处理，对齐非接触指纹图像的偏航角并增强其对比度；通过一个卷积神经网络同时提取非接触指纹的三维特征，包括表面梯度和细节点；将表面梯度重建为深度，将深度信息和细节点融合得到三维细节点；将一对非接触指纹图像的三维细节点用图卷积网络进行特征编码；采用三元组损失计算真匹配特征以及假匹配特征之间的均方距离，并利用损失不断地优化骨干网络参数，拉近真匹配特征之间的距离，并使假匹配特征之间相互远离；应用时利用训练好的非接触指纹特征提取网络和图卷积网络分别对非接触指纹的样本和模版进行编码；计算当前非接触指纹样本特征与所有非接触指纹模板特征的特征距离表示；根据计算所得的特征距离预测出当前非接触指纹样本所属的用户。本发明在识别大姿态跨度的非接触指纹时具有明显优势。
-
公开(公告)号：CN118154502A
公开(公告)日：2024-06-07
申请号：CN202211562723.1
申请日：2022-12-07
Applicant: 北京邮电大学
Abstract: 本发明提供了一种提升CT和MRI图像分析算法性能的预处理方法。所述方法包括：准备CT或MRI三维数字影像集合；设置矩阵三维空间偏移约束尺度；构建二维切片随机偏移尺度实时计算模块；嵌入已有算法的训练或测试架构的输入端；对算法输出的新结果进行偏移校正；得到优化的CT或MRI图像分析结果。本发明的方案可根据需要灵活嵌入已有算法的训练阶段和测试阶段，通过匹配真实的图像采集过程提升算法的分析精度，在医生诊断过程中起到更精确的智能辅助效果。
-
公开(公告)号：CN116994772A
公开(公告)日：2023-11-03
申请号：CN202310219347.4
申请日：2023-03-09
Applicant: 北京邮电大学
IPC: G16H50/80 , G16H50/70 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/241 , G06N20/00
Abstract: 本发明提供了一种基于自监督学习的时间序列异常检测方法。所述方法包括：对人群的心率，血氧饱和度等数据进行数据清洗；依据时间序列数据训练自监督模型，对含筛查的时间序列进行插值；对时间序列进行变换以及特征提取，并依据特征重要程度对提取的特征进行排序与筛选；将筛选得到的特征数据以及插值后的时间序列合并，将数据按照一定比例划分为数据集以及测试集；将训练集数据输入机器学习模型进行训练，求出最优的模型集合与其权重；最终得到体征异常人群筛查模型。本发明提供的基于机器学习与自监督学习的时间序列异常检测的方法，具有较好的准确性以及便利性，能够更加高效地应用于疫情防控和慢病监测等领域。
-
公开(公告)号：CN116758347A
公开(公告)日：2023-09-15
申请号：CN202310691981.8
申请日：2023-06-12
Applicant: 北京邮电大学
IPC: G06V10/764 , G06F11/36 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于实例范式对比学习的域泛化图像识别方法。所述方法包括：采用基于傅里叶变换的幅度谱混合策略获取与原输入实例语义一致的增强实例，设计多视图通道注意力机制对原实例与增强实例进行融合生成实例范式；构建实例与范式的有监督双流对比损失，包括实例内，范式内，实例与范式间三种类型的样本对损失；在上述损失中进行困难样本挖掘，利用输入实例的域标签以及特征相似性动态加权不同难度的样本对；针对测试时不同域数据分布，设计测试时特征融合模块，采用原实例与增强实例融合生成的范式预测最终类别。本发明不仅能够提升域泛化图像识别的精度，增强源域数据训练的模型在目标域数据上的鲁棒性，同时所需训练资源与额外计算时间极少，可作为即插即用的方法嵌入任何已有的域泛化图像识别系统中并提升准确率。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.046 seconds)
