-
公开(公告)号：CN103413050B
公开(公告)日：2016-08-24
申请号：CN201310364359.2
申请日：2013-08-20
Applicant: 北京工业大学
IPC: G06F19/00
Abstract: 本发明属于模式识别和脑?机接口领域，公开了一种基于极速学习机的运动想象脑电信号投票策略分类方法。包括：将原始运动想象脑电信号分为S段子信号；对每一段子信号通过主成分分析方法进行降维；将降维后的特征向量通过线性判别分析方法进行二次降维；对于S段子信号进行同样处理，最终得到S个K?1维的特征向量，将S个K?1维的特征向量进行组合，得到最终为S*(K?1)维的特征；将S*(K?1)维特征送入多个ELM分类器，利用投票分类策略得到最终分类结果。本发明提出了一种基于ELM的投票分类策略，与传统的多次ELM平均正确率方案相比，在不影响其训练分类低耗时的情况下提高了其分类正确率。
-
公开(公告)号：CN103310452B
公开(公告)日：2016-07-06
申请号：CN201310238264.6
申请日：2013-06-17
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 一种权重自动选择的图像分割方法，属于计算机视觉、计算机图形学和图像处理等交叉领域。通过应用程序的用户接口，交互式指定部分前、背景像素。然后，建立指定部分前、背景的颜色模型，构造图和对应的能量函数。能量函数中包含在图中每个节点处定义的颜色约束和梯度约束以及调节二者的权值；图的节点可以是图像的像素，也可以是过分割原图像后的超像素。通过在图的每个节点处衡量颜色约束和梯度约束的有效性，确立该节点处的权值。最后，采用图割算法求解函数最小值，得到分割结果。本发明首次提出权值自动选择的分割方法，相比传统固定权值的方法，在同样的交互量的前提下，分割效果更好。
-
公开(公告)号：CN105590100A
公开(公告)日：2016-05-18
申请号：CN201510977414.4
申请日：2015-12-23
Applicant: 北京工业大学
CPC classification number: G06K9/00335 , G06K9/6256 , G06K9/6269
Abstract: 基于判别性超体素的人体动作识别方法，本发明利用非监督的方法自动提取同类动作视频中不同于其他类别的，能够表征本类特点的视频超体素特征集合。然后再对这些超体素的进行特征描述，最终完成进行动作的识别，能够更准确地识别视频中人体动作的类别。本发明同时参考视频的超体素特征与图像的hog特征这两种维度的特征，通过一个训练，学习的迭代过程，提取视频中具有判别性的超体素，能够更准确地对一个动作进行识别。本发明与传统方法相比，能够自动地提取视频中有效的部分，不仅包括人体中的较有判别性的部分，还能提取到背景中的对本类动作有表征作用的部分。
-
公开(公告)号：CN105426447A
公开(公告)日：2016-03-23
申请号：CN201510757225.6
申请日：2015-11-09
Applicant: 北京工业大学
CPC classification number: G06F17/30256 , G06K9/6268
Abstract: 一种基于超限学习机的相关反馈方法，本发明输入一副查询图像；对图像进行检索，得到检索结果，让用户对结果进行标记；对标记过的图像分别提取SIFT特征，Color特征，和LBP特征；利用三种特征训练三个基础分类器；将检索图库的图像分别放入三个基分类器当中，根据预测结果进行投票，对每一副未标记图片进行自动标记；重新训练更新分类器；对图库图片进行分类；返回结果。本发明建立在超限学习机的基础上，通过引入人类的查询意图，进行人机交互，有效的利用未标记图库图像来丰富学习数据，可以使图像反馈的精度大大提高，并且处理速度得到很好的控制，使图像在计算机中的表达更符合人类对图像语义的理解，使本发明具有良好的反馈效果。
-
公开(公告)号：CN103876734B
公开(公告)日：2015-09-02
申请号：CN201410112806.X
申请日：2014-03-24
Applicant: 北京工业大学
IPC: A61B5/0476
CPC classification number: A61B5/0484 , A61B5/04012 , A61B5/0476 , A61B5/0478 , A61B5/04842 , A61B5/7267 , G06N99/005
Abstract: 本发明涉及一种基于决策树的脑电信号特征选择方法。首先将采集的多通道脑电信号进行预处理；然后利用主成分分析法对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选出的优势特征进行重组；最后将重组后的优势特征向量输入到支持向量机中，进行脑电信号分类，得到分类正确率。本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行脑电信号分类的平均正确率为89.1%，比运用传统的优势电极重组法提高了0.9%。
-
Patent Agency Ranking
公开(公告)号：CN103310452A
公开(公告)日：2013-09-18
申请号：CN201310238264.6
申请日：2013-06-17
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 一种权重自动选择的图像分割方法，属于计算机视觉、计算机图形学和图像处理等交叉领域。通过应用程序的用户接口，交互式指定部分前、背景像素。然后，建立指定部分前、背景的颜色模型，构造图和对应的能量函数。能量函数中包含在图中每个节点处定义的颜色约束和梯度约束以及调节二者的权值；图的节点可以是图像的像素，也可以是过分割原图像后的超像素。通过在图的每个节点处衡量颜色约束和梯度约束的有效性，确立该节点处的权值。最后，采用图割算法求解函数最小值，得到分割结果。本发明首次提出权值自动选择的分割方法，相比传统固定权值的方法，在同样的交互量的前提下，分割效果更好。
-
公开(公告)号：CN119991902A
公开(公告)日：2025-05-13
申请号：CN202510051383.3
申请日：2025-01-13
Applicant: 北京工业大学
IPC: G06T15/00 , G01S17/66 , G06T15/08 , G06T7/50 , G06T7/73 , G06T5/50 , G06T5/60 , G06N3/045 , G06N3/0499 , G06V20/58 , G06V10/40 , G06V10/82
Abstract: 本发明公开了一种基于图像和雷达数据的结构化高斯泼溅方法。本发明设计了包括虚拟墙构建、自适应3DGS体素化和深度先验引导的体素生长和删除策略。训练分为两个步骤：目标数据集的准备、整体模型的训练。本发明优点：1)虚拟背景墙构建模块，有效解决了LiDAR点云在远距离区域稀疏和缺失的问题，提升了场景初始化的完整性和背景渲染质量；2)采用自适应3DGS体素化方法，更合理地表示不同密度分布的点云，解决场景过度稠密时导致训练速度下降的问题；3)深度先验引导的体素生长和删除策略，利用RGB梯度、深度一致性和邻域信息对体素优化进行引导，补充了单视点数据下的几何信息缺失，增强了场景重建的鲁棒性和细节保真度。
-
公开(公告)号：CN117934849A
公开(公告)日：2024-04-26
申请号：CN202410135853.X
申请日：2024-01-31
Applicant: 北京工业大学
IPC: G06V10/26 , G06V10/764 , G06V20/70 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的RGB‑D图像语义分割方法，核心为一个基于多层次特征融合的语义边缘检测深度神经网络模型。包括双模态非局部上下文编码模块、互补特征选择模块和语义引导的特征校准模块。训练分为三个步骤：模型参数的初始化、目标数据集准备和整体模型的训练。本发明具有以下优点：1)利用包含双模态非局部上下文信息的token来交互双模态信息，能够更好的提取双模态互补特征，增强单一模态的特征表示；2)利用语义引导的特征校准模块，将顶层特征丰富的全局语义上下文信息引入浅层特征，丰富浅层特征语义信息，并抑制浅层特征中的噪声信息，从而提升分割效果。
-
公开(公告)号：CN114550162B
公开(公告)日：2024-04-02
申请号：CN202210143670.3
申请日：2022-02-16
Applicant: 北京工业大学
IPC: G06V20/64 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种视图重要性网络与自注意力机制相结合的三维物体识别方法。该方法包括：将待识别三维物体从n个不同的视角进行投影获得n个不同的二维视图，其中，n大于等于二；通过基础CNN模型对n个视图进行特征提取，得到对应视图的特征图；通过视图重要性网络判断n个视图各自对三维物体识别的重要程度，并根据重要程度对特征进行不同程度的加强，获得视图增强特征图；将视图增强特征图使用自注意力机制进行处理，得到三维形状描述符；将三维形状描述符输入到全连接网络进行多视角物体识别，实现三维物体识别。本发明将有利于三维物体识别的重要视图进行突出，同时抑制非重要视图对三维物体识别的干扰，提高三维物体识别精准度。
-
公开(公告)号：CN116433898A
公开(公告)日：2023-07-14
申请号：CN202310150411.8
申请日：2023-02-22
Applicant: 北京工业大学
IPC: G06V10/26 , G06V10/82 , G06V10/80 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于语义约束的Transformer多模态影像分割方法，包括：将待分割影像从m个模态通过主干编码器行特征提取获得n个不同的模态特征得到对应模态的特征图；通过多模态特征交互模块去除冗余特征，并根据跨模态交互模块(CFI)产生的门控矩阵G对当前模态特征进行不同程度的加强；随后将特定模态增强特征图拼接输入到Transformer进行模态间特征融合，得到最终编码特征；最后将特征输入到Kmeans‑Transformer解码器。由于模态融合网络对多模态特征进行融合并赋予不同模态相应的权重，所以本公开实施例能够有效将有利于多序列影像分割的重要模态进行突出，同时抑制非重要模态对多模态分割的干扰，能够有效提高多模态影像分割精准度。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.028 seconds)
