-
公开(公告)号：CN114612748A
公开(公告)日：2022-06-10
申请号：CN202210296716.5
申请日：2022-03-24
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于特征解耦的跨模态视频片段检索方法，涉及跨模态视频片段检索领域，包括以下步骤：首先，使用三维卷积神经网络C3D模型提取视频特征，利用LSTM网络提取查询文本的特征；然后，使用视频特征构建相邻特征矩阵，并通过编码器解耦为内容特征矩阵和位置特征矩阵；其次，增强视频内容特征的表达，并对不同的位置特征进行加权，从而降低训练集的长尾分布效应对模型的影响；接着，重构相邻特征矩阵，以学习视频的上下文信息；最后，将重构的相邻特征矩阵与文本特征进行融合，输入全卷积神经网络生成检索结果。模型使用二进制交叉熵焦点损失(Binary Cross Entropy Focal‑loss)作为检索的损失函数，通过反向传播算法完成训练。
-
公开(公告)号：CN108564012B
公开(公告)日：2022-03-08
申请号：CN201810273078.9
申请日：2018-03-29
Applicant: 北京工业大学
IPC: G06V40/10 , G06V10/762 , G06K9/62
Abstract: 本发明涉及一种基于人体特征分布的行人解析方法，从人体特征分布的角度出发，提出了一种智能的融合人体特征分布模型和自监督结构敏感学习策略的行人解析方法。以自监督结构敏感学习方法为底层框架，首先，通过超像素分割的方法产生候选区域，对每个区域提取颜色和纹理特征建立表象模型，然后再利用高斯函数建立面积比例模型，最后通过将两个模型叠加得到总的人体特征分布模型。并将解析损失函数、关节结构损失函数和人体特征分布模型的特征分布损失函数相叠加的得到最终的损失函数。本发明利用自监督结构敏感学习方法使得生成的解析结果在语义上与人体的结构具有很强的一致性，更符合人体特征分布的特性，并且对遮挡，视角，复杂背景具有不变性。
-
公开(公告)号：CN108210246B
公开(公告)日：2020-04-03
申请号：CN201810023630.9
申请日：2018-01-10
Applicant: 北京工业大学
IPC: A61H1/02
Abstract: 本发明公开了一种四自由度康复机械臂装置，该装置由基座和康复机械臂两部分组成，康复机械臂安装在基座上。康复机械臂由肩部外展关节，肩部屈伸关节，肘部屈伸关节，腕部屈伸关节组成。运动想象脑电信号被采集后，通过预处理，特征提取，模式分类得到的二分类信号作为机械臂控制单元的输入信号。控制单元输出PWM波控制肩部外展电机、肩部屈伸电机、肘部屈伸电机和腕部外展电机转动。通过算法实现运行想象脑电信号的分类，将信号传输给控制单元。控制单元发出相应控制信号。控制信号对伺服电机转动进行控制。本发明的机械臂结构设计的简单化，方便安装拆卸。
-
公开(公告)号：CN110569901A
公开(公告)日：2019-12-13
申请号：CN201910838283.X
申请日：2019-09-05
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于特征通道选择的对抗消除弱监督目标检测方法，用于解决弱监督目标检测定位误差的问题。首先，以弱监督深度目标检测为底层框架，采用选择性搜索方法在训练集数据上生成候选框，并与训练集图像和对应的图像标签一起作为弱监督网络的输入；其次，以VGG16为基础网络构建特征提取网络模型，并对得到的特征图像用特征通道压缩的方式进行通道加权选择，激励有利于分类的图像特征层，而抑制对分类有干扰的特征层；然后，采用对抗消除方法得到能够表达图像目标的完整特征表达作为预测网络的输入；最后，根据多任务交叉熵损失来训练预测网络，实现目标检测。本发明不仅可以更加精确定位目标物体的位置，而且能够提高物体识别的精度。
-
公开(公告)号：CN109241879A
公开(公告)日：2019-01-18
申请号：CN201810956897.3
申请日：2018-08-21
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明公开了基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法，首先，计算MI-EEG的复合多尺度模糊熵时间序列，根据每个运动想像任务T不同导联的CMFE熵值差异和变化情况确定最优时间段，并将该时间段内的MI-EEG信号进一步用于特征提取；然后，对CMFE粗粒化过程中不同采样点引入权重因子以获取τ个加权粗粒化序列，再求各粗粒化序列的模糊熵，并将其平均值定义为WCMFE；针对各种运动想像任务T任意导联Ci计算单尺度τ下的WCMFE；确定尺度因子τ的变化范围，计算多个尺度下的WCMFE，依次构造各尺度τ下的特征向量 和各类运动想像任务T的特征向量FT，并进一步融合为MI-EEG的特征向量F，进一步提高了分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN109213174A
公开(公告)日：2019-01-15
申请号：CN201811241028.9
申请日：2018-10-24
Applicant: 北京工业大学 , 北京北排科技有限公司
IPC: G05D1/02
Abstract: 一种基于模糊神经网络的污水处理厂智能巡检避障方法属于智能机器人技术领域。针对污水处理厂中障碍物可移动，巡检环境复杂多变等特点，该智能避障控制方法利用前置、后置超声波传感器以及碰撞开关采集到的环境信息，通过模糊神经网络对巡检机器人周围环境进行判断并决策，实现对巡检机器人避障的智能控制，提高了巡检机器人的运行安全性和稳定性；解决了传统机器人避障方法无法提前避障和避障效果易受干扰的问题。实验结果表明该方法拥有更为快速的响应能力，对复杂巡检环境具有更强的自适应能力，实现巡检机器人的智能避障控制，提高避障有效性和实时性。
-
公开(公告)号：CN105559777B
公开(公告)日：2018-10-12
申请号：CN201610154659.1
申请日：2016-03-17
Applicant: 北京工业大学
IPC: A61B5/0476 , G06N3/04
Abstract: 基于小波包和LSTM型RNN神经网络的脑电识别方法，属于生物信息技术领域。具体包括：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，对脑电信号进行小波包分解，基于改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最后，以LSTM型RNN神经网络作为分类器对脑电信号进行分类。本发明能够自适应地选取小波包最优子空间，并自动确定最佳频段的小波包系数构成脑电时频特征，其保留了脑电信号的时序信息，而LSTM型RNN神经网络能够充分利用基于小波包变换提取的脑电特征的时序信息，从而提高脑电信号的分类准确率，为脑电信号的识别提供一种新思路。
-
公开(公告)号：CN108564012A
公开(公告)日：2018-09-21
申请号：CN201810273078.9
申请日：2018-03-29
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于人体特征分布的行人解析方法，从人体特征分布的角度出发，提出了一种智能的融合人体特征分布模型和自监督结构敏感学习策略的行人解析方法。以自监督结构敏感学习方法为底层框架，首先，通过超像素分割的方法产生候选区域，对每个区域提取颜色和纹理特征建立表象模型，然后再利用高斯函数建立面积比例模型，最后通过将两个模型叠加得到总的人体特征分布模型。并将解析损失函数、关节结构损失函数和人体特征分布模型的特征分布损失函数相叠加的得到最终的损失函数。本发明利用自监督结构敏感学习方法使得生成的解析结果在语义上与人体的结构具有很强的一致性，更符合人体特征分布的特性，并且对遮挡，视角，复杂背景具有不变性。
-
公开(公告)号：CN104091172B
公开(公告)日：2018-03-16
申请号：CN201410319149.6
申请日：2014-07-04
Applicant: 北京工业大学
Abstract: 本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。
-
公开(公告)号：CN104035563B
公开(公告)日：2017-05-10
申请号：CN201410274341.8
申请日：2014-06-19
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于W‑PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.024 seconds)
