-
公开(公告)号：CN112613552B
公开(公告)日：2024-05-28
申请号：CN202011506810.6
申请日：2020-12-18
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法，涉及智能媒体计算和计算机视觉技术领域；首先对训练样本进行类别权重计算，得到情感类别注意力权重向量；其次按情感类别数量和情感类别注意力损失修改卷积神经网络最后的分类层与损失函数；然后将训练样本进行预处理后传入网络中，使网络在损失函数和优化器的对参数的迭代更新后达到收敛，完成训练；最终将预处理后的测试图像送入网络中，计算得到的模型的情感图像分类准确率以及模型对测试情感图像的预测类别。本发明使得情感图像在通过卷积神经网络进行情感类别分类时，可以自适应的得到更符合数据集样本分布特点的分类结果，有助于情感分类算法在不同的实际应用场景中训练与使用。
-
公开(公告)号：CN108647652B
公开(公告)日：2022-07-01
申请号：CN201810457301.5
申请日：2018-05-14
Applicant: 北京工业大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06V20/60 , G06K9/62
Abstract: 一种基于图像分类和目标检测的棉花发育期自动识别方法属于农业气象观测领域。随着图像处理和深度学习技术的发展，农业气象观测方式由人工观测向自动观测转变成为可能。为了实现对棉花发育期的自动观测，本文提出了一种基于目标检测与图像分类相结合的棉花发育期自动识别方法。该方案首先观察和分析棉花各个发育期图像存在的不同特征，然后通过基于深度学习的图像分类实现三真叶期、五真叶期和现蕾期的自动识别，进一步通过深度目标检测自动检测图像中的花和棉絮，最后综合两种算法的结果，实现棉花完整发育期的自动识别。采用该方案可以实现对棉花发育期快速准确的自动识别，具有重要的应用价值。
-
公开(公告)号：CN113784831A
公开(公告)日：2021-12-10
申请号：CN201880100558.3
申请日：2018-12-29
Applicant: 北京工业大学
IPC: B29C64/386 , B33Y50/00
Abstract: 一种基于自适应内部支撑结构的3D打印方法，包括下述步骤：S1：将支撑结构的基准生物结构图进行图像提取，得到多层网格纹路，作为三维模型内部支撑结构的多个层图；S2：将三维模型逐层分离出多层结构，每一层进行二值化与掏空处理得到多张图片；S3：将步骤S1中得到的每个层图与步骤S2中得到的相应图片进行融合，得到多个最终的切片层结构；S4：根据三维模型强度需求，确定每个切片层中支撑结构的支撑面积；S5：对三维模型分析进行自适应结构设计，并调整强度材料比；S6：通过三维重建算法还原回三维模型并进行打印。
-
公开(公告)号：CN110210383B
公开(公告)日：2021-08-17
申请号：CN201910466869.8
申请日：2019-05-31
Applicant: 北京工业大学
Abstract: 一种融合运动模式和关键视觉信息的篮球视频语义事件识别方法属于视频语义事件识别领域。为实现篮球视频中的语义事件自动识别，首先基于相机镜头变化的固有属性，将混叠运动分解为全局运动和局部运动。然后基于这两种模态的数据，应用双流3D卷积神经网络网络，实现篮球视频中的群体活动的识别。随后，应用卷积神经网络对篮框区域的表观特征变化进行表达，实现事件成功失败的判别。最后，融合这两部分的预测结果，实现篮球视频中的语义事件识别。此发明对篮球视频数据智能化管理、篮球技战术分析和自动转播等应用奠定了基础。
-
公开(公告)号：CN112613552A
公开(公告)日：2021-04-06
申请号：CN202011506810.6
申请日：2020-12-18
Applicant: 北京工业大学
Abstract: 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法，涉及智能媒体计算和计算机视觉技术领域；首先对训练样本进行类别权重计算，得到情感类别注意力权重向量；其次按情感类别数量和情感类别注意力损失修改卷积神经网络最后的分类层与损失函数；然后将训练样本进行预处理后传入网络中，使网络在损失函数和优化器的对参数的迭代更新后达到收敛，完成训练；最终将预处理后的测试图像送入网络中，计算得到的模型的情感图像分类准确率以及模型对测试情感图像的预测类别。本发明使得情感图像在通过卷积神经网络进行情感类别分类时，可以自适应的得到更符合数据集样本分布特点的分类结果，有助于情感分类算法在不同的实际应用场景中训练与使用。
-
Patent Agency Ranking
公开(公告)号：CN107357889B
公开(公告)日：2020-07-17
申请号：CN201710560717.5
申请日：2017-07-11
Applicant: 北京工业大学
IPC: G06F16/58 , G06F16/9535 , G06F16/9536 , G06F16/35 , G06F40/289 , G06F40/30
Abstract: 一种基于内容或情感相似性的跨社交平台图片推荐算法，涉及智能媒体计算和大数据分析技术领域；首先对图文分享社交平台中的用户生成文本的内容进行分析，提取其关键词信息，同时用同样的方法对图片社交平台中的图片进行内容上的分析，根据文本与图片的内容一致性进行匹配，得到基于内容的初始推荐列表；其次对文本进行情感分析，如果文本包含情感，则基于文本与图片的情感一致性进行匹配，得到基于情感匹配的初始推荐列表；然后对用户分别在两个社交网络平台上建模，得到用户偏好；最终，融合内容、情感以及用户偏好，产生最终的图片推荐列表。本发明使得用户的表达更加充分贴切，有助于极大提升社交网络上的用户体验，提升用户黏度。
-
公开(公告)号：CN108724733B
公开(公告)日：2020-04-28
申请号：CN201810462227.6
申请日：2018-05-15
Applicant: 北京工业大学
IPC: B29C64/386 , B29C64/393 , G06K9/62 , B33Y50/00 , B33Y50/02
Abstract: 一种面向面曝光3D打印的视觉监视反馈方法涉及智能化控制和机器学习技术领域。该方法步骤：相机摆放位置确定：根据面曝光投影仪的位置，计算出相机位置，避免拍摄到的杂光影响监控；灰度变化曲线的获取：在曝光时间内等时间间隔自动获取监视区域的视觉图像，从而获取每个监视区域等长度图像平均灰度变化曲线，通过实验，得到成型成功与成型失败时的成型曲线；灰度曲线识别：将得到的成型成功与成型失败的曲线用KNN分类算法进行分类，并对分类之后结果进行测试，得到最终的KNN算法中的K值使得分类的准确率最高，并根据分类结果判断打印状态来控制机械系统运动。本发明可以提高打印材料利用率，节省打印时间。
-
公开(公告)号：CN107696499B
公开(公告)日：2019-07-16
申请号：CN201710886339.X
申请日：2017-09-27
Applicant: 北京工业大学
IPC: B29C64/379 , B29C64/393 , B33Y40/00 , B33Y50/02
Abstract: 三维模型与机器视觉相结合的3D打印产品质量检测与修复方法涉及智能化控制等领域。该方法主要是针对3D打印产品进行后期处理，提高表面精度。步骤如下：点云数据的获取：该部分通过对物体的扫描获取物体对应的点云数据；产品的质量评价：该部分首先要进行点云数据与3D打印物体对应的模型进行对齐，给出产品表面误差状况；产品位置初始化：该部分是为了得到实际打印产品在机械系统中的世界坐标的位置；将世界坐标点与模型坐标点对齐：该部分是将已经得到的误差对应到世界坐标上；路径规划实现修复：该部分依据需要修复产品表面的具体状况，选用具体的修复算法，实现修复工作。本发明适用于平面与曲面的3D打印产品的修复工作。
-
公开(公告)号：CN109903312A
公开(公告)日：2019-06-18
申请号：CN201910071272.3
申请日：2019-01-25
Applicant: 北京工业大学
Abstract: 一种基于视频多目标跟踪的足球球员跑动距离统计方法属于体育数据统计领域。场上运动员的跑动距离是一项重要的统计数据。随着计算机视觉技术的发展，本文提出了一种基于足球比赛视频的球员跑动距离统计方案。首先，本方法通过分析足球比赛视频可以获得视频中的多目标跟踪数据。然后汇总各个跟踪轨迹，经过轨迹平滑以及顶视图映射操作，最后计算得到球员的跑动轨迹、跑动距离，输出可视化结果。该方法是实现统计球员跑动轨迹、跑动距离的一套完整解决方案，旨在减少人工标注的成本，并通过测试验证了方法可行性，具有重要应用价值。
-
公开(公告)号：CN109741318A
公开(公告)日：2019-05-10
申请号：CN201811648244.5
申请日：2018-12-30
Applicant: 北京工业大学
Abstract: 本发明提供了基于有效感受野的单阶段多尺度特定目标的实时检测方法。该方法首先是从SSD的多尺度架构中提取出相应的特征层，并根据感受野覆盖的像素范围来选择尺度；其次，我们移除了传统方法中的anchor结构，采用更少的特征层，利用天然感受野的特性直接对特征图的对应的感受野框进行分类和回归。最后采用RF(感受野)采样框置灰学习策略，避免学习冗杂多余参数。本方法大大降低了传统基于anchor采样框的算法复杂度，提高了检测的效率并能够达到实时的效果，在数据量非常大的应用背景下非常具有使用价值。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.027 seconds)
