-
公开(公告)号：CN103298156B
公开(公告)日：2016-01-20
申请号：CN201310233976.9
申请日：2013-06-13
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线传感器网络的无源多目标检测跟踪方法，其主要技术特点是：包括以下步骤：根据无线传感器网络中不同无线链路接收信号强度，采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型，并采用HAC聚类算法进行聚类分析从而提取出检测结果；根据检测结果并采用PHD无源多目标粒子滤波跟踪算法，得到目标数目变化的多目标跟踪结果。本发明设计合理，其检测与跟踪算法具有较高的精度和鲁棒性，能在复杂的多径环境中检测与跟踪多个目标，同时目标检测与跟踪算法的计算复杂度适中，保证检测跟踪系统运行的实时性。
-
公开(公告)号：CN103344941B
公开(公告)日：2015-08-12
申请号：CN201310233723.1
申请日：2013-06-13
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
IPC: G01S5/02
Abstract: 本发明涉及一种基于无线传感器网络的实时目标检测方法，其主要技术特点是：包括以下步骤：根据遍历过程的特性，通过单链路实验来建立基于检测窗的接收信号强度值直方图测量模型；利用接收信号强度值直方图测量模型及巴氏距离计算得到可能存在目标的“正位置”，并利用层次聚类算法，实现目标检测定位；通过低精度直方图和高精度直方图级联方法，确定目标的“正位置”。本发明设计合理，实现利用无线传感器网络的快速实时检测功能，检测定位方法不会产生错误累计现象，建立的测量模型理论依据充足，精度较高且具有较强的鲁棒性，同时，直方图级联机制的引用使得其总体计算消耗保持在能实时使用的范围之内。
-
公开(公告)号：CN103281779A
公开(公告)日：2013-09-04
申请号：CN201310233725.0
申请日：2013-06-13
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背景学习的射频层析成像方法，其主要技术特点是：包括以下步骤：1、根据无线传感器网络的接收信号强度，利用混合高斯背景学习算法或核密度估计背景学习算法建立每条链路的接收信号强度值的分布模型，判断各个链路是否受到影响；2、根据每条链路的接收信号强度值的分布模型，利用Tikhonov正则化进行图像重构。本发明将混合高斯背景学习算法或核密度估计背景学习算法（KDE）运用到射频层析成像中，来估计各个链路RSS测量值的分布，实现了多目标检测与跟踪功能，具有的优点是：1、在多目标和时变环境中能获得更高的准确性和有效性；2、不需要线下训练的过程。
-
公开(公告)号：CN101646088B
公开(公告)日：2011-02-16
申请号：CN200910089185.7
申请日：2009-08-03
Applicant: 北京邮电大学
Abstract: 本发明公开了一种视频压缩编码中的资源分配方法，包括：对于每个编码的参考帧n0，计算该参考帧丢失造成的瞬时传输失真Dt(n0)；再根据该瞬时传输失真计算错误扩散的传播因子；然后，利用瞬时传输失真Dt(n0)和传播因子预测该参考帧丢失造成的帧组级传输失真；根据帧组级传输失真为该参考帧分配资源。应用本发明，能够准确预测参考帧的错误传输对于帧组的影响，从而实现合理的资源分配。
-
公开(公告)号：CN101572806B
公开(公告)日：2010-12-01
申请号：CN200910085818.7
申请日：2009-06-01
Applicant: 北京邮电大学
IPC: H04N7/24
Abstract: 本发明公开了一种基于H.264的I帧码率控制方法，用于依次对当前图像序列中除第一个图像组(GOP)外的其它GOP中的I帧进行码率控制，包括：预先建立I帧的R-QP模型，用于表示I帧的码率与量化参数QP以及图像梯度之间的对应关系，在为当前帧进行码率控制时，计算为当前帧分配的编码比特数R，并将所述R分别代入所述R-QP模型的三个区域，根据当前帧的梯度和所述R计算在每个区域中的QP，在计算得到的QP中，选择与相应区域的QP取值范围一致的QP，作为当前帧的QP。采用本发明所述的I帧码率控制方法，能够实现对I帧进行更有效的码率控制。
-
Patent Agency Ranking
公开(公告)号：CN101572806A
公开(公告)日：2009-11-04
申请号：CN200910085818.7
申请日：2009-06-01
Applicant: 北京邮电大学
IPC: H04N7/24
Abstract: 本发明公开了一种基于H.264的I帧码率控制方法，用于依次对当前图像序列中除第一个图像组(GOP)外的其它GOP中的I帧进行码率控制，包括：预先建立I帧的R－QP模型，用于表示I帧的码率与量化参数QP以及图像梯度之间的对应关系，在为当前帧进行码率控制时，计算为当前帧分配的编码比特数R，并将所述R分别代入所述R－QP模型的三个区域，根据当前帧的梯度和所述R计算在每个区域中的QP，在计算得到的QP中，选择与相应区域的QP取值范围一致的QP，作为当前帧的QP。采用本发明所述的I帧码率控制方法，能够实现对I帧进行更有效的码率控制。
-
公开(公告)号：CN119360434A
公开(公告)日：2025-01-24
申请号：CN202411255283.4
申请日：2024-09-09
Applicant: 北京邮电大学 , 北京卓视智通科技有限责任公司
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0475
Abstract: 本发明涉及计算机视觉技术领域，具体公开一种基于多模型聚合的动作识别方法、系统、设备和存储介质，包括：获取目标域的每个样本视频对应的多个目标路径权重和聚合动作识别结果；基于每个样本视频对应的动作识别标签、聚合动作识别结果、实例级可转移性估计指标的量化值以及多个目标路径权重，计算损失值并迭代优化；将待测视频输入至训练好的路径生成网络，得到待测视频对应的多个目标路径权重，并根据待测视频对应的多个目标路径权重及相应训练好的源域模型，得到待测视频的聚合动作识别结果。本发明的方法通过提升源域模型到目标域场景的适应能力，从而提高了模型在目标域场景下的动作识别准确性。
-
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.026 seconds)
