-
公开(公告)号：CN111462208A
公开(公告)日：2020-07-28
申请号：CN202010261813.1
申请日：2020-04-05
Applicant: 北京工业大学
Abstract: 本发明提出一种基于双目视差和卷积神经网络的无监督深度估计方法。本发明模拟人类用双眼采集场景信息的方式，采用双目图像作为输入，利用卷积神经网络拟合出一个复杂的非线性函数，计算出输入图像对的视差图，通过深度与视差的之间存在的数学关系，可以计算出深度图像，结合预测出的深度图像与右图像，可以通过右图像的形变模拟出一个对应的左图像，将右图像形变后重建出的左图像与真实的左图像之间的像素差值以及双目图像的外极线约束作为损失，通过无监督学习的方式来训练卷积神经网络，完成无监督的深度预测。本发明解决了有监督的深度预测需要大量且昂贵的真实深度信息的弊端，仅需要存在固定视差关系的双目图像即可完成深度预测。
-
公开(公告)号：CN111414975A
公开(公告)日：2020-07-14
申请号：CN202010261812.7
申请日：2020-04-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于移动摄像机和神经网络的运动矢量预测方法，属于图像处理和人工智能领域，包括：光流图图像数据和相机运动参数标签准备；利用ResNet50构建网络，并在其后添加六个全连接层，分别用于六个参数预测；通过采取对参数进行分类后回归的方式求得均方误差，与交叉熵损失按照一定的权重加权求和，计算损失；利用反向传播算法不断更新网络参数完成网络训练；利用训练完毕的网络得到移动相机的运动参数并求解背景运动，剔除场景中背景运动信息，得到运动物体的真实光流。此模型训练采用数据集为真实场景中的数据制作，网络采用分类后回归的方式提高了学习速率和精度，具有很好的普适性和广阔的应用前景。
-
公开(公告)号：CN109740734A
公开(公告)日：2019-05-10
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：CN106709441A
公开(公告)日：2017-05-24
申请号：CN201611170720.8
申请日：2016-12-16
Applicant: 北京工业大学
IPC: G06K9/00
CPC classification number: G06K9/00221
Abstract: 一种基于卷积定理的人脸验证加速方法，属于计算机视觉中的人脸验证领域。对于采用CNN技术的人脸验证系统，在使用GPU并行计算平台的基础上，对满足加速条件的卷积层，采用卷积定理方法替换常规卷积计算方法进行卷积计算。卷积定理表明，空域中的卷积等价于频域中的乘积。通过将耗时的卷积计算转化为频域中的乘积计算，能够显著减少计算量，加快CNN的计算速度。针对人脸验证系统计算负担大，运行速度慢的问题，本发明使得人脸验证系统的运行速度明显提高，对海量数据的处理能力得以提升。
-
公开(公告)号：CN105740892A
公开(公告)日：2016-07-06
申请号：CN201610056618.9
申请日：2016-01-27
Applicant: 北京工业大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256
Abstract: 本发明提供了一种高准确率的基于卷积神经网络的人体多部位识别方法。采用深度卷积神经网络提取图像特征，该方法充分利用了图像的深度信息，极大的提高了图像的识别准确率；其次，基于RCNN方法利用Selective Search算法形成候选边框，比滑动窗口方法更能适应深度卷积网络下定位信息的准确性；进一步的，通过将卷积神经网络的最后一层Softmax层替换成SVM，最终获得了基于分类的得分；另外，获得各个候选边框的相对于各个类别的SVM得分后，通过添加基于像素的位置范围约束、K近邻约束和混合高斯模型最终形成基于整体理解的候选边框组合，提高了人体多部位识别的准确率，比原有RCNN的方法定位更加精准。
-
Patent Agency Ranking
公开(公告)号：CN100590903C
公开(公告)日：2010-02-17
申请号：CN200810103803.4
申请日：2008-04-11
Applicant: 北京工业大学
Abstract: 用于相变存储器的Si-Te-Sb系列相变薄膜材料属于微电子技术领域。目前Ge2Te5Sb2材料的结晶温度较低(约为165度)面临着数据丢失的危险。本发明提供的一种用于相变存储器的硅-碲-锑存储材料，组成通式为SiaTebSb100-(a+b)，其中20≤a≤60，20≤b＜48。该材料具有相对较高的结晶温度、较好的热稳定性以及更强的数据保持能力，同时还具有均匀的晶体相结构和纳米级的晶粒尺寸，在改善了疲劳特性的同时又具有较好的可逆相变能力。
-
公开(公告)号：CN120071083A
公开(公告)日：2025-05-30
申请号：CN202510142010.7
申请日：2025-02-10
Applicant: 北京工业大学
IPC: G06V10/82 , G06V10/764 , G06N3/048 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种基于跳出局部极小的Transformer的训练方法，用于实现优化Transformer训练的目标。主要包括优化得到局部极小值点θ*、构造出参数空间中θ*附近的一个特殊点θ1、再练损失的另一个点构造出与θ1具有θ相等2、进一步优化的训 θ2，使训练损失降至比θ*的训练损失更低的程度，实现跳出局部极小的目的，提高网络训练精度，得到分类效果更好的Transformer网络 将本发明提出的方法在CIFAR 10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是有效的，可以在优化Transformer的过程中跳出局部极小，提高在CIFAR 10数据集上的分类正确率。
-
公开(公告)号：CN111414975B
公开(公告)日：2024-03-12
申请号：CN202010261812.7
申请日：2020-04-05
Applicant: 北京工业大学
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/08 , G06N20/00
Abstract: 本发明公开了一种基于移动摄像机和神经网络的运动矢量预测方法，属于图像处理和人工智能领域，包括：光流图图像数据和相机运动参数标签准备；利用ResNet50构建网络，并在其后添加六个全连接层，分别用于六个参数预测；通过采取对参数进行分类后回归的方式求得均方误差，与交叉熵损失按照一定的权重加权求和，计算损失；利用反向传播算法不断更新网络参数完成网络训练；利用训练完毕的网络得到移动相机的运动参数并求解背景运动，剔除场景中背景运动信息，得到运动物体的真实光流。此模型训练采用数据集为真实场景中的数据制作，网络采用分类后回归的方式提高了学习速率和精度，具有很好的普适性和广阔的应用前景。
-
公开(公告)号：CN116796804A
公开(公告)日：2023-09-22
申请号：CN202310333896.4
申请日：2023-03-30
Applicant: 北京工业大学
IPC: G06N3/0464 , G06N3/08
Abstract: 一种单隐层ReLU神经网络鞍点的求解方法属于深度学习理论领域，用于解决ReLU神经网络优化的不确定性的问题。包括构建单隐层ReLU神经网络,利用输入样本数据和ReLU激活函数的特性进行权值空间子区域划分，并计算每个区域权值参数和每个样本的数据点积是否大于0；根据每个区域的权值和样本点积的情况计算每个区域的鞍点；根据鞍点的解的情况判断鞍点的真实性，对于唯一解的情况可以直接判断是否与初始化定义区域内的任何点都在每个输入样本的同一侧，对于连续的解的情况可判断这个连续的解是否在它所定义的区间内，判定的方法是在高维度空间里求半空间的交集是否为空集，对于半空间求交集的问题，将其转换为线性规划问题方便求解。
-
公开(公告)号：CN116091839A
公开(公告)日：2023-05-09
申请号：CN202310164372.7
申请日：2023-02-24
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 一种基于样本空间划分构建深度ReLU神经网络局部最优解的图像分类方法，属于深度学习领域。目前神经网络在图像分类领域应用广泛，但其收敛到局部最优解甚至全局最优解，需要通过梯度下降算法进行迭代，耗费较多的计算资源和时间。本发明从该问题出发，将具体的图像分类数据集划分子集，对每个子集求解最优线性拟合函数，并在相邻子集间添加辅助线性段，通过max‑min方式构建连续分段线性函数。根据ReLU激活函数的基本性质构建深度ReLU神经网络，使得网络输出为目标连续分段线性函数。通过理论和实验验证当前网络参数对应于一个局部最优解。本发明通过数据集样本空间的划分，极大提升深度ReLU神经网络找到局部最优解的效率。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.039 seconds)
