-
公开(公告)号：CN112801404A
公开(公告)日：2021-05-14
申请号：CN202110186065.X
申请日：2021-02-14
Applicant: 北京工业大学
Abstract: 一种基于自适应空间自注意力图卷积的交通预测方法属于交通领域和深度学习领域，提出一种自适应空间自注意力图卷积网络(ASSAGCN)用于交通预测。ASSAGCN的由2个残差块堆叠而成。每个残差块由一个图卷积模块(GCN)、一个多头空间自注意力模块(MHSSA)、一个门控融合模块(GF)和一个多感受野空洞因果卷积模块(MRDCC)构成。其中GCN基于连通性对路网的局部空间相关性进行建模；MHSSA用于捕获路网的隐含空间相关性，同时还能从全局聚合各个节点的信息；GF对GCN和MHSSA的输出进行融合；MRDCC用于建模时间相关性。输入层采用一个简单的全连接层将输入映射到一个高维空间提高模型的表达能力，输出层采用2个1×1的卷积层。本发明能够捕获到路网中潜在的空间相关性，适应路网结构的动态变化。
-
公开(公告)号：CN112287974A
公开(公告)日：2021-01-29
申请号：CN202011044857.5
申请日：2020-09-28
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于自适应权重的多视K多均值的图像聚类方法(Adaptive K‑Multiple‑Means for Multi‑view Clustering,AKM3C)，用于解决多视图的图像聚类问题。不同于以往的多视K均值聚类方法仅使用一个簇中心去建模每个簇的数据分布，AKM3C使用多个子簇中心(也称为原型或均值)捕获每个视图中每个簇的数据分布。另外，AKM3C可以为每个视图自适应的分配权重，从而合理地融合不同视图的互补信息和兼容信息以构建一个共享的二部图，最后对共享的二部图施加拉普拉斯秩约束，将其划分为C个簇，实现图像样本的聚类，进而用于解决多视图的图像识别和检测问题。
-
公开(公告)号：CN107016357B
公开(公告)日：2020-06-16
申请号：CN201710177973.6
申请日：2017-03-23
Applicant: 北京工业大学
Abstract: 本发明一种基于时间域卷积神经网络的行人检测方法，将针对单幅图像的行人检测方法扩展为针对连续帧图像，训练卷积神经网络学习单幅视频帧上的空间关联性和连续帧之间的时间关联性，弥补了现有方法在检测被遮挡的行人上的不足。此外，采用时间域卷积神经网络进行的行人检测，对行人的姿势变化更加鲁棒，整体的检测精确度和召回率均有提升。
-
-
-
Patent Agency Ranking
公开(公告)号：CN110197204A
公开(公告)日：2019-09-03
申请号：CN201910382101.2
申请日：2019-05-09
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 公开一种局部保持投影的图像识别方法，其能够减小异常值和噪声的影响，从而提升方法的鲁棒性，同时不会增加图像数据的存储开销和计算复杂度。该方法包括以下步骤：(1)通过基于欧拉表示的局部保持投影对输入的原始图像数据X＝[x1,x2,...,xN]建立分析模型，其中每个图像xi是一个列向量，大小为 (2)采用迭代更新法求解模型，得到图像的投影矩阵；(3)根据步骤(2)的投影矩阵，对未知的图像进行分类。
-
公开(公告)号：CN106408512B
公开(公告)日：2019-08-16
申请号：CN201510994139.7
申请日：2015-12-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于矩阵变量RBM的图像重构方法，其大大降低训练和推导的计算复杂度，在训练和测试过程中保持了2D矩阵数据中的空间信息同时在重构过程中得到良好的效果，可以应用于更复杂的数据结构。该方法包括步骤：(1)训练阶段：给定低分辨率图像的输入特征Z＝(Z1,Z2,Z3,Z4)，先用类似于插值方法的任何一个单图像高分辨率算法得到高分辨率图像块X的估计值X0，根据公式(19)，进行参数计算；(2)图像重建阶段：对给定低分辨率图像得到低分辨率对应的4个特征，利用步骤(1)训练好的参数对给定低分辨率图像进行高分辨率重建，用重建的高分辨率图像和给定低分辨率图像进行信息融合。
-
公开(公告)号：CN109671041A
公开(公告)日：2019-04-23
申请号：CN201910076651.1
申请日：2019-01-26
Applicant: 北京工业大学
IPC: G06T5/00
Abstract: 本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。
-
公开(公告)号：CN109447113A
公开(公告)日：2019-03-08
申请号：CN201811112796.4
申请日：2018-09-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于Beta先验过程的深度字典学习方法，本发明用Beta先验过程求解的深度字典，这是一种概率求解方法。与算数方法求解深度字典不同的是，本发明采用了基于Beta先验过程的概率方法，把噪声、字典、表示三者假设为不同的高斯分布作为先验分布，采用最大似然估计法得到目标函数，用吉布斯采样方法对目标函数求解，通过反复迭代得到最优解，从而有效的去噪。这种深度字典的分层模型可以利用吉布斯采样更新所有变量的后验分布。由于深度字典是直接通过样本数据学习到的，因此这种深度字典充分利用了原始数据的结构信息。另外通过非参数贝叶斯推断可以学习出重构误差的方差。
-
公开(公告)号：CN106886798A
公开(公告)日：2017-06-23
申请号：CN201710141534.X
申请日：2017-03-10
Applicant: 北京工业大学
Abstract: 本发明公开一种基于高斯分布的受限玻尔兹曼机模型的图像识别方法，所述受限玻尔兹曼机模型用于对二维图像进行特征提取，记为MVGRBM，所述模型能够直接对图像进行建模，而不需要向量化，保留了原始样本的结构信息；由于MVGRBM的可视层和隐藏层服从参数不同的高斯分布，可视层服从高斯分布能够更加精确地拟合输入值为实数的样本，隐藏层服从高斯分布可以使得特征矩阵分布在实数域上，故特征矩阵能够表达更加丰富的信息。采用本发明的技术方案，具有更好的识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.033 seconds)
