-
公开(公告)号：CN104243310A
公开(公告)日：2014-12-24
申请号：CN201410429748.3
申请日：2014-08-28
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
IPC: H04L12/721 , H04W40/02 , H04W84/06
CPC classification number: Y02D70/122 , Y02D70/30
Abstract: 本发明涉及一种基于多重性能自适应配对堆的时间演化图路由算法，属于卫星网络路由技术领域，其主要技术特点是：构造一个按照通信时隙表分时隙通信的中轨道卫星网络系统；根据24颗卫星的通信时隙表构造中轨道卫星网络系统的时间演化图模型；采用多重性能自适应配对堆优化迪杰斯特拉最短路径算法的数据存储结构；在时间演化图模型中应用优化的迪杰斯特拉最短路径算法计算最优路由。本发明通过优化时间演化图路由算法的数据结构，在时间演化图路由算法中采用多重性能自适应配对堆，并应用于分时隙通信的中轨道卫星网络系统，网络性能指数优于其他传统路由算法，并且明显降低了时间复杂度。
-
公开(公告)号：CN103776449A
公开(公告)日：2014-05-07
申请号：CN201410065851.4
申请日：2014-02-26
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
CPC classification number: G01C21/16 , G01C25/005
Abstract: 本发明涉及一种提高鲁棒性的动基座初始对准方法，其技术特点是：将初始对准模型进行抽象；通过对比滤波算法中的新息协方差和计算的新息协方差得到模型噪声方差的变化情况，然后对模型噪声w进行自适应缩放；根据观测值和滤波值的残差，自适应地判别每一次滤波后自适应矩阵迹的门限,进而修正状态估计。本发明设计合理，其从模型噪声自适应和观测干扰自适应两个方面同时对UKF算法进行改进，一方面通过监视UKF中预测方差，使用缩放因子达到平抑模型噪声的目的；另一方面通过监测基于新息特性的自适应矩阵的迹并进行实时修改，能够取得更加精确的滤波结果，达到抑制观测干扰的目的，具有较强的鲁棒性，能够快速对其进行平抑。
-
公开(公告)号：CN102622729A
公开(公告)日：2012-08-01
申请号：CN201210059658.0
申请日：2012-03-08
Applicant: 北京邮电大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于模糊集合理论的空间自适应块匹配图像去噪方法，包括以下步骤：(1)设置初始相似块搜索窗口Δi，1的大小；(2)计算待处理像素i的图像块y(Ni)与搜索窗口Δi，1内像素j的图像块y(Nj)之间的方差归一化的对称距离；(3)根据图像块之间的距离利用模糊聚类分析计算图像块的相似程度并对搜索窗内的像素值进行加权平均得到待处理像素i的估计值(4)对残余噪声像素值进行修正；(5)增加相似块搜索窗口Δi，n的大小，并重复步骤(2)至步骤(4)直至满足迭代终止条件。本发明设计合理，通确保像素相似程度划分的有效性，提高估值的准确性，有效地提高了基于块的图像去噪方法的性能。
-
公开(公告)号：CN118714463A
公开(公告)日：2024-09-27
申请号：CN202410579410.X
申请日：2024-05-10
Applicant: 北京邮电大学
IPC: H04N23/741 , H04N23/81 , H04N23/84 , H04N23/951 , G06V20/70 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于自监督预训练大模型的高动态范围成像方法，属于计算机视觉图像技术领域。本发明结合自监督预训练大模型设计了新的高动态范围成像管线，包含基于充分先验的大模型特征提取与赋权叠加、语义融合校正、重建等模块，通过各模块的依次工作，使得多个不同曝光经过预对齐和特征提取后比对语义信息，融合校正到参考图像，共同生成一个无鬼影的高动态范围图像。本发明设计合理，充分利用了大规模图像数据集中的语义信息作为先验来提取得到更优质、便于分析融合的图像特征和利用语义分割信息为鬼影区域作权重干预，减少鬼影的产生同时提升了高动态范围成像的精度。
-
公开(公告)号：CN117633558A
公开(公告)日：2024-03-01
申请号：CN202311650342.3
申请日：2023-12-04
Applicant: 北京邮电大学
IPC: G06F18/23 , G06F18/25 , G06F18/241 , G06V10/25 , G06V10/40 , G06F18/213 , G06F18/22 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了基于视觉语言模型的多激励融合零样本病变检测算法，属于多模态医学图像处理技术领域。本发明提出的方法包括步骤：1)将多个激励直接输入模型中，获得对应的中间变量C。2)选择合适的融合策略，对中间变量C进行归类。3)将分类后的中间变量C′分别进行位置聚类、尺寸聚类、类别标签修正、置信度阈值筛选四步操作。4)将筛选后的来自不同激励的进行多级特征融合筛选后，送入小型分类网络中进行进一步的分类判断，得到最终的融合结果。本发明通过集成学习的思想以及深度学习基本网络框架的辅助，打破了原有的单输入网络结构的限制，实现了没有数量限制的多激励融合，从而大大提高零样本条件下，视觉语言模型对医学图像领域病变检测任务的准确率。
-
Patent Agency Ranking
公开(公告)号：CN109614853B
公开(公告)日：2023-05-05
申请号：CN201811273872.X
申请日：2018-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
IPC: G06N3/045 , G06N3/0464 , G06N3/082 , G06V10/82 , G06V40/10
Abstract: 本发明涉及一种基于身体结构划分的双线性行人再识别网络构建方法，包括以下步骤：对原始行人图像进行身体结构分块得到多个结构子框，将多个子框组合成新的行人图像，构造结构框预测子网络；设置加权的局部损失函数来训练该结构框预测子网络；构造两个子网络，分别以原始行人图像和重组后行人图像作为输入，对应地提取全局行人特征和局部行人特征；设置双线性融合层，并将其作为全局特征和局部特征的融合层，得到最终的行人特征表示；对整体网络进行训练，得到基于身体结构划分的双线性行人再识别模型。本发明结合整体特征和局部特征，充分利用了身体结构信息，通过双线性融合方法获得更具判别力的行人特征，使得系统整体匹配准确率大大提升。
-
公开(公告)号：CN113065434A
公开(公告)日：2021-07-02
申请号：CN202110312827.6
申请日：2021-03-24
Applicant: 北京邮电大学
Abstract: 本发明设计了一种基于双一致性约束的行人再识别技术，属于计算机视觉图像技术领域。针对目前行人再识别模型过拟合至训练相机，难以泛化到新相机的问题，本发明提出了分布一致性约束以及知识一致性约束，引导模型提取相机无关特征。分布一致性约束要求不同相机的输出特征服从一致分布，由相机分布对齐损失函数实施。知识一致性目的是要求模型在不同相机中学习到的参数更新相似，由知识一致正则化向实施。实验结果表明我们的策略能够提升模型过滤相机信息，提取相机无关特征的能力，有效地增强模型对新相机的泛化能力。
-
公开(公告)号：CN108960142B
公开(公告)日：2021-04-27
申请号：CN201810721744.0
申请日：2018-07-04
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于全局特征损失函数的行人再识别方法，将全部输入图像分成所有可能图像对，包括表示同一人的同类对和表示不同人的异类对；计算所有可能图像对之间的特征距离，从两类图像对之间的特征距离中分别统计形成全局的距离均值和方差；构建全局特征损失函数并使用该全局特征损失函数在学习过程中减小两个方差以及增大两个均值之间的差；将全局特征损失函数与分类损失函数和验证损失函数联合使用，共同增强特征的学习。本发明设计合理，充分利用了输入全体图像中相比于单张图像更为丰富的信息，使得特征的描述能力性能远远高于单纯的单张图片特征，使得系统整体匹配率大大提高。
-
公开(公告)号：CN112614061A
公开(公告)日：2021-04-06
申请号：CN202011443876.5
申请日：2020-12-08
Applicant: 北京邮电大学
Abstract: 本发明涉及一种基于双路编解码器的低照度图像亮度增强及超分辨率方法，属于计算机视觉图像技术领域。第一步，通过共享参数的编码器对暗光图像进行特征提取，得到一组特征图；第二步，将特征图送入超分辨率解码器进行解码，得到超分辨率特征图；第三步，对第一步中编码器输出的特征图和第二步的超分辨率特征图分别进行池化得到两个特征向量，并使用注意力机制对其加权融合，然后送入低照度解码器进行解码。最后，对两个解码器的输出进行后处理，得到超分辨率后的对应图像。本发明设计合理，针对目前低照度增强方法的缺陷，将低照度增强和图像超分辨率任务相结合，提高了重建图像的视觉效果，整体在低照度增强和超分综合任务上取得了较好的效果。
-
公开(公告)号：CN107563381B
公开(公告)日：2020-10-23
申请号：CN201710816619.3
申请日：2017-09-12
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明设计了一种基于全卷积网络的多特征融合的目标检测方法，其主要技术特点是：搭建具有六个卷积层组的全卷积神经网络；利用卷积神经网络的前五组卷积层提取图像特征，并将其输出进行融合，形成融合特征图；对融合后的特征图进行卷积处理，直接产生固定数目的不同大小的目标边框；计算卷积神经网络生成的目标边框与真实边框之间的分类误差与定位误差，利用随机梯度下降法降低训练误差，得到最终训练模型的参数，最后进行测试得到目标检测结果。本发明利用了深度卷积网络对目标的强大的表示能力，构建了用于目标检测的全卷积神经网络，提出了新的融合特征方法，提高了算法的检测速度和精度，获得了良好的目标检测结果。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.026 seconds)
