-
公开(公告)号：CN110188835A
公开(公告)日：2019-08-30
申请号：CN201910483958.3
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法，包括使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像；结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像；使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；将真实图像和假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能。本发明设计合理，利用生成式对抗网络生成更多的训练样本，同时生成的图像背景能够有效地表示相对应摄像头下的真实场景，有效提高行人再识别模型的鲁棒性和判决能力，有效提高了行人再识别的准确率。
-
公开(公告)号：CN109034210A
公开(公告)日：2018-12-18
申请号：CN201810721716.9
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
CPC classification number: G06K9/629 , G06K9/4671 , G06K9/6273 , G06K9/628 , G06K2209/21
Abstract: 本发明涉及一种基于超特征融合与多尺度金字塔网络的目标检测方法，包括利用深度卷积神经网络提取具有不同特征信息的分层多尺度特征图；进行超特征融合；构建新的多尺度金字塔网络；根据不同层分别构建不同大小和长宽比的目标候选框；构建一个新的用于多特征提取且能够防止梯度消失的卷积模块；利用多任务损失函数对多类别分类器和边界框回归器进行联合训练优化实现图像分类和目标定位功能。本发明利用深度卷积网络对目标的特征提取能力，考虑超特征融合方法改善特征表达能力，生成了一个新的模块防止梯度消失而且能更有效地帮助训练和提取特征，构建了用于目标检测的全卷积神经网络，提高了算法的检测精度，获得了良好的目标检测结果。
-
公开(公告)号：CN108960142A
公开(公告)日：2018-12-07
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
CPC classification number: G06K9/00369 , G06K9/00778 , G06K9/66
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：CN108846446A
公开(公告)日：2018-11-20
申请号：CN201810721733.2
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多路径密集特征融合全卷积网络的目标检测方法，利用深度卷积神经网络提取具有不同特征信息的分层多尺度特征图；利用自底向上的旁路连接进行自下而上的特征融合；利用自顶向下的密集旁路连接进行自上而下的密集特征融合；构建不同大小和长宽比的目标候选框；利用二分类器减少目标候选框中的简单背景样本，并利用多任务损失函数对二分类器、多类别分类器和边界框回归器进行联合优化。本发明基于深度卷积神经网络提取图像特征，利用多路径密集特征融合方法改善特征表达能力，构建了用于目标检测的全卷积网络，提出了减少冗余简单背景样本和多任务损失联合优化的策略，提高了算法的检测精度，获得了良好的目标检测结果。
-
公开(公告)号：CN107729993A
公开(公告)日：2018-02-23
申请号：CN201711033085.3
申请日：2017-10-30
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: G06N3/04
CPC classification number: G06N3/0454
Abstract: 本发明涉及一种利用训练样本及折中度量的3D卷积神经网络构建方法，其技术特点是：构造孪生结构的3D卷积神经网络；设置网络的损失函数，该损失函数由正样本损失、负样本损失及正则化损失构成，并在正则化损失中结合了马氏距离和欧氏距离；使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练；构造正样本对和负样本对，对图像进行预处理和分割；有选择地利用训练样本对网络进行训练。本发明设计合理，其有选择地使用训练样本来提高训练效率并抑制过拟合，同时，在对特征进行度量时对欧氏距离和马氏距离进行权衡，从而构建3D卷积神经网络模型，试验表明本发明构建的模型及训练策略使得系统整体匹配率大大提升。
-
Patent Agency Ranking
公开(公告)号：CN103776449B
公开(公告)日：2016-05-04
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
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：CN104244356A
公开(公告)日：2014-12-24
申请号：CN201410443069.1
申请日：2014-09-02
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于演化图全路由预测的定向蚁群路由优化方法，其主要技术特点是：在应用层，控制中心或者GPS全球定位系统提供节点轨道、链路调度信息或节点位置、运动速度和方向信息并发送至网络层；在网络层，节点首先根据应用层信息建立演化图模型，然后进行全路由预测，最后采用定向蚁群路由优化方法选择最优路由并发送数据；在物理层，收集链路时延、数据传输速率、可用带宽信息。本发明设计合理，其使用定向蚁群，不仅避免由网络拓扑频繁变化而引起的慢收敛，还提供了满足QoS要求的路由算法，性能指标较传统移动自组网DSR、AODV路由算法有明显提高。
-
公开(公告)号：CN102685530B
公开(公告)日：2014-05-07
申请号：CN201210120923.1
申请日：2012-04-23
Applicant: 北京邮电大学
IPC: H04N19/567 , H04N19/86 , H04N13/00
Abstract: 本发明公开了一种基于半像素精度边缘和图像修复的深度图像帧内预测方法，其主要技术特点是：包括以下步骤：1、在深度图像中进行半像素精度边缘检测得到边缘图像；2、根据边缘图像进行边缘的区域划分处理和边缘优化处理；3、根据是否包含预测子将待预测的区域分为可修复区域和不可修复区域，对可修复区域预测采用图像修复算法实现；对不可修复区域预测采用区域均值或默认值实现；4、率失真优化算法。本发明提高了不规则区域的预测效果，避免了边缘像素自身所属的区域无法明确界定的问题，使区域划分的结果更为精确，在保证压缩后图像质量的情况下提高了预测的时间效率，增强了帧内预测方法的实用性。
-
公开(公告)号：CN103439731A
公开(公告)日：2013-12-11
申请号：CN201310383044.2
申请日：2013-08-29
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
Abstract: 本发明涉及一种基于无迹卡尔曼滤波的GPS/INS组合导航方法，其主要技术特点是：包括以下步骤：将INS数据和相应的GPS数据组合在一起，采用无迹卡尔曼滤波方法建立GPS/INS组合导航模型并得到GPS在线时的最优值；将INS数据作为训练数据与GPS在线时的最优值作为训练目标结合在一起建立SVM回归模型，该SVM回归模型用于预测GPS离线时的导航数据。本发明将GPS的精确性常与惯性导航系统的可靠性结合起来实现滤波和GPS、INS的信息融合,当GPS与INS共同使用时能得到非常精确的滤波结果；采用SVM训练GPS信号缺失时的INS数据，并使用模拟退火算法优化SVM算法中核函数与惩罚函数的参数，使得GPS离线时保持接近GPS时在线的精确度。
-
公开(公告)号：CN113132737B
公开(公告)日：2024-12-06
申请号：CN202110431011.5
申请日：2021-04-21
Applicant: 北京邮电大学
IPC: H04N19/70 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明涉及基于泰勒解耦和记忆单元校正的视频预测方法，属于计算机视觉视频技术领域。针对具有时序相干性的自监督视频预测任务，本发明利用分而治之的思想，将视频帧在高维空间上分解为泰勒分量和残差分量，然后再分别对这两部分进行时序上的推导，最后通过融合这两部分的时序推导信息来预测未来的视频帧。其中泰勒分量只利用第一帧的信息进行时序推导，用来挖掘出复杂的视频序列动态数据中存在的物理规律，并用融合了所有之前的帧信息的记忆单元对时序推导的泰勒分量进行校正，用来模拟视频序列中的额外的变量。残差分量的时序推导用简单的3层ConvLSTM实现。实验结果表明，本发明可以有效的进行长距离的视频预测，并在不同的数据集上也有不错的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.02 seconds)
