-
公开(公告)号：CN119168830A
公开(公告)日：2024-12-20
申请号：CN202411311688.5
申请日：2024-09-20
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06Q50/26 , G06Q10/0631 , G06F16/35 , G06N3/0455 , G06N3/0475 , G06F18/10 , G06F18/27 , G06N3/047 , G06F18/22 , G06N3/048
Abstract: 一种基于生成式模型和分层训练的热线文本智能转派方法，针对诸如12345民生服务热线等的特殊文本数据进行文本分类，主要包括：文本预处理、模型训练和模型推理三部分。基于生成式模型通过相同标签数据配对进行了数据增广，将少量标签的样本多样化，从而有效缓解了数据不平衡的问题。提出分层训练模型，并且在训练低层级部门对应的模型时，数据集中会包含前一层级的部门信息，使模型更专注当前层级的部门信息以及与上一层级部门的关联性，改善了由于部门流转途径过长而导致的幻觉问题。为每个层级单独训练模型，实现了对热线文本的智能转派。
-
公开(公告)号：CN114332517B
公开(公告)日：2024-11-01
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN114882521B
公开(公告)日：2024-09-13
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/096
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
公开(公告)号：CN117173397A
公开(公告)日：2023-12-05
申请号：CN202311123193.5
申请日：2023-09-01
Applicant: 北京市新技术应用研究所有限公司
Abstract: 本公开提供了一种目标对象检测方法，方法包括：对待检测图像进行目标车辆检测以获得目标车辆检测结果；响应于目标车辆检测结果为待检测图像包括目标车辆，从待检测图像中获取目标车辆子图；对目标车辆子图进行目标车载物品检测以获得目标车载物品检测结果；根据目标车载物品检测结果确定目标车辆为目标对象。本公开还提供了一种目标对象检测装置、电子设备及可读存储介质。本公开能够提高目标对象检测精度，加快目标对象检测速度，提升目标对象检测效率。
-
公开(公告)号：CN116844011A
公开(公告)日：2023-10-03
申请号：CN202310823910.9
申请日：2023-07-06
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/80 , G06V10/74 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08 , G06F40/284 , G06F40/211
Abstract: 本公开提供了一种图像描述文本的生成方法，包括：对目标图像的网格特征进行处理，构建关于目标图像的多个伪区域特征，其中伪区域特征用于表征目标图像的局部视觉信息；分别对网格特征和伪区域特征进行编码增强处理，获得融合有多层图像编码结果的网格增强特征和融合有多层局部编码结果的伪区域增强特征；以及对网格增强特征和伪区域增强特征进行语义解析，生成用于表征目标图像中视觉信息的图像描述文本。本公开还提供了一种图像描述文本的生成装置、电子设备及存储介质。
-
Patent Agency Ranking
公开(公告)号：CN112885028B
公开(公告)日：2023-02-28
申请号：CN202110112816.3
申请日：2021-01-27
Applicant: 北京市新技术应用研究所
IPC: G08B19/00
Abstract: 本发明提供一种基于灾害情景模式与监测数据融合的综合管廊应急联动处置方法，包括：建立灾害情景集；建立灾害情景集内的各个灾害情景类型的关键要素集合；判断灾害情景类型；判断灾害严重程度；管廊应急联动控制。通过分析综合管廊突发事故特点，依据实时监测综合管廊的环境数据，建立灾害发生演化过程与监测数据的对应关系，及时判断综合管廊内灾害情景类型及灾害严重程度；根据综合管廊内灾害严重程度，建立各类灾害触发的条件，以及建立与灾害严重程度对应的联动处置方式，使得处置流程更加准确，更加贴合实际灾害情况，而且可以提高综合管廊应急处置效率，符合智慧管廊的发展趋势。
-
公开(公告)号：CN115578723A
公开(公告)日：2023-01-06
申请号：CN202211326986.2
申请日：2022-10-26
Applicant: 北京市新技术应用研究所有限公司
Abstract: 本公开还提供了一种车牌识别方法、装置、电子设备以及可读存储介质。本公开实施例的车牌识别方法，包括：获取第一图像，第一图像中包含目标车牌；对第一图像进行车牌检测以获得目标车牌的第一车牌图像、车牌关键点数据和车牌类别信息，车牌类别信息用于指示目标车牌为双层车牌还是单层车牌；根据车牌关键点数据对第一车牌图像执行透视变换，以获得第二车牌图像；在车牌类别信息指示目标车牌为双层车牌时，对第二车牌图像执行裁剪、拼接和缩放，以将第二车牌图像中的目标车牌转换为单层车牌；对第二车牌图像进行图像识别以获得目标车牌的车牌信息。本公开实施例能够有效提高单层车牌与双层车牌的检测识别精度，并且能检测识别形变较大的车牌图像。
-
公开(公告)号：CN114882521A
公开(公告)日：2022-08-09
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
公开(公告)号：CN114332517A
公开(公告)日：2022-04-12
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10 , G06K9/62
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN108921107B
公开(公告)日：2021-10-01
申请号：CN201810736588.5
申请日：2018-07-06
Applicant: 北京市新技术应用研究所
Abstract: 一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度,这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用Siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.044 seconds)
