-
公开(公告)号：CN115049786B
公开(公告)日：2023-07-18
申请号：CN202210689275.5
申请日：2022-06-17
Applicant: 北京交通大学
IPC: G06T17/00 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0499 , G06N3/084
Abstract: 本发明提供任务导向的点云数据下采样方法及系统，属于点云数据处理技术领域，对变换器网络中资源密集型的结构进行调整，去除位置嵌入、简化输入数据嵌入层结构，删除自注意力机制的映射矩阵操作，在前馈神经网络层引入扩缩策略；基于采样损失函数，扩大下采样点云的覆盖范围和重点区域的关注能力，促进生成点云为原始点云的真子集；将下采样模块与任务网络相结合，利用采样损失和任务损失共同更新下采样网络的权重参数。本发明降低了对计算和存储资源的消耗；设计采样损失函数，促使获得点云分布更加均匀、关键点覆盖更加全面的真子集点云数据；将通用下采样模块与三维分类任务网络相结合，实现任务网络的性能最优化和资源开销最小化的有效权衡。
-
公开(公告)号：CN115019347A
公开(公告)日：2022-09-06
申请号：CN202210725215.4
申请日：2022-06-24
Applicant: 北京交通大学
Abstract: 本发明提供一种基于跨类别矩阵满秩约束的行人搜索方法及系统，属于计算机视觉技术领域，利用预先训练好的行人搜索模型对获取的待处理的图像数据进行处理，识别图像中的行人；其中，预先训练好的行人搜索模型的训练使用ResNet50网络为基础网络，根据子任务对ResNet50网络进行拆分，构造了一个分离‑基准网络模型，引入可变形卷积来定位整个行人区域，结合秩感知优化损失，对跨类别概率矩阵进行满秩约束，增强类间特征的判别性和多样性。本发明考虑联合多任务协同训练的特征共享网络权重的问题，提出一个基于跨类别概率矩阵秩约束的特征多样性行人搜索框架，然后引入可变形卷积来定位整个行人区域，最后提出了秩感知优化损失，增强类间特征的判别性和多样性。
-
公开(公告)号：CN115019347B
公开(公告)日：2024-12-13
申请号：CN202210725215.4
申请日：2022-06-24
Applicant: 北京交通大学
IPC: G06V40/10 , G06V10/25 , G06N3/08 , G06N3/0464 , G06V10/82 , G06V10/764
Abstract: 本发明提供一种基于跨类别矩阵满秩约束的行人搜索方法及系统，属于计算机视觉技术领域，利用预先训练好的行人搜索模型对获取的待处理的图像数据进行处理，识别图像中的行人；其中，预先训练好的行人搜索模型的训练使用ResNet50网络为基础网络，根据子任务对ResNet50网络进行拆分，构造了一个分离‑基准网络模型，引入可变形卷积来定位整个行人区域，结合秩感知优化损失，对跨类别概率矩阵进行满秩约束，增强类间特征的判别性和多样性。本发明考虑联合多任务协同训练的特征共享网络权重的问题，提出一个基于跨类别概率矩阵秩约束的特征多样性行人搜索框架，然后引入可变形卷积来定位整个行人区域，最后提出了秩感知优化损失，增强类间特征的判别性和多样性。
-
公开(公告)号：CN118196680A
公开(公告)日：2024-06-14
申请号：CN202410265586.8
申请日：2024-03-08
Applicant: 北京交通大学
Abstract: 本发明提供一种基于块间时空关系预测的视频异常检测方法，包括：将获得的视频序列输入到检测模型的目标提取融合模块进行处理，获得时空目标框集合；基于时空目标集合，通过检测模型的块顺序预测模块从空间维度和时间维度分别分块，获得空间块和时间块；通过检测模型的线性映射层，对空间块和时间嵌入随机排序的位置编码；将位置编码后的序列作为顺序预测自监督任务的标签，结合距离约束模块对检测模型进行训练；将位置编码后的空间块和时间块分别输入到训练后的检测模型的两路变形器中进行处理获得顺序预测矩阵；通过计算规律分数，获得视频序列的异常得分，以进行异常检测。本发明提供的方法能够实现更精确的视频异常检测。
-
公开(公告)号：CN109598675A
公开(公告)日：2019-04-09
申请号：CN201811346100.4
申请日：2018-11-13
Applicant: 北京交通大学
Abstract: 本发明提供了一种多重复纹理图像的拼接方法。该方法包括：输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，计算出所述两幅图像中的一幅图像的自匹配点对；从所有的初始匹配点对中筛选出种子点对；根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对；利用所述正确匹配点完成所述两幅图像的拼接操作。本发明方法通过采用了自匹配与图像间匹配相结合的双匹配方法，有效地将部分错误的初始匹配点对修改为正确匹配点对，从而保留了更准确，分布更均匀的匹配点对，有效的提高了多重复纹理图像的拼接质量。
-
Patent Agency Ranking
公开(公告)号：CN109598675B
公开(公告)日：2023-03-10
申请号：CN201811346100.4
申请日：2018-11-13
Applicant: 北京交通大学
Abstract: 本发明提供了一种多重复纹理图像的拼接方法。该方法包括：输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，计算出所述两幅图像中的一幅图像的自匹配点对；从所有的初始匹配点对中筛选出种子点对；根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对；利用所述正确匹配点完成所述两幅图像的拼接操作。本发明方法通过采用了自匹配与图像间匹配相结合的双匹配方法，有效地将部分错误的初始匹配点对修改为正确匹配点对，从而保留了更准确，分布更均匀的匹配点对，有效的提高了多重复纹理图像的拼接质量。
-
公开(公告)号：CN113870160A
公开(公告)日：2021-12-31
申请号：CN202111060998.0
申请日：2021-09-10
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于变换器神经网络的点云数据处理方法。该方法包括：构建三维物体对称检测模型，通过检测物体对称面/轴获取输入的点云数据的对称点，将点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；通过变换器网络模型提取多组数据据增强后的点云图数据的全局特征信息和局部特征信息，得到下采样后的点云数据；结合不同的目标任务需求，构建任务驱动的任务网络模型，将下采样后的点云数据输入到任务网络模型，得到目标任务结果。本发明有效结合三维物体对称检测模型与变换器网络模型，能够在提高下采样模型鲁棒性的同时，进而具有最小化目标任务精度损失的能力，提升下采样规模和目标任务的精确度。
-
公开(公告)号：CN118608776A
公开(公告)日：2024-09-06
申请号：CN202410241120.4
申请日：2024-03-04
Applicant: 北京交通大学
Abstract: 本发明提供一种基于几何特征融合的点云语义分割方法及系统，属于机器视觉图像处理技术领域，本发明引入了极坐标转换模块缓解由于物体旋转导致分割性能大幅度下降的问题，为了在降低分割所需的时间的同时还能够不牺牲模型的分割性能，在下采样获取关键点的阶段采用时间开销较小的随机采样，由于随机采样的随机性，不可避免的会损失掉部分特征信息，故而在特征提取和特征融合阶段提出了几何特征融合模块并加入了改进过Point Transformer模块，弥补特征信息的同时对特征进行提取和融合。通过极坐标转换模块和几何特征融合模块，在分割性能和分割时间进行了平衡。本发明能够平衡分割性能和时间开销，解决信息损失和旋转不变性问题，实现有效的大规模点云语义分割。
-
公开(公告)号：CN113870160B
公开(公告)日：2024-02-27
申请号：CN202111060998.0
申请日：2021-09-10
Applicant: 北京交通大学
IPC: G06T5/50 , G06T5/60 , G06T17/00 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于变换器神经网络的点云数据处理方法。该方法包括：构建三维物体对称检测模型，通过检测物体对称面/轴获取输入的点云数据的对称点，将点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；通过变换器网络模型提取多组数据据增强后的点云图数据的全局特征信息和局部特征信息，得到下采样后的点云数据；结合不同的目标任务需求，构建任务驱动的任务网络模型，将下采样后的点云数据输入到任务网络模型，得到目标任务结果。本发明有效结合三维物体对称检测模型与变换器网络模型，能够在提高下采样模型鲁棒性的同时，进而具有最小化目标任务精度损失的能力，提升下采样规模
-
公开(公告)号：CN115049786A
公开(公告)日：2022-09-13
申请号：CN202210689275.5
申请日：2022-06-17
Applicant: 北京交通大学
Abstract: 本发明提供任务导向的点云数据下采样方法及系统，属于点云数据处理技术领域，对变换器网络中资源密集型的结构进行调整，去除位置嵌入、简化输入数据嵌入层结构，删除自注意力机制的映射矩阵操作，在前馈神经网络层引入扩缩策略；基于采样损失函数，扩大下采样点云的覆盖范围和重点区域的关注能力，促进生成点云为原始点云的真子集；将下采样模块与任务网络相结合，利用采样损失和任务损失共同更新下采样网络的权重参数。本发明降低了对计算和存储资源的消耗；设计采样损失函数，促使获得点云分布更加均匀、关键点覆盖更加全面的真子集点云数据；将通用下采样模块与三维分类任务网络相结合，实现任务网络的性能最优化和资源开销最小化的有效权衡。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
