-
公开(公告)号：CN119476408A
公开(公告)日：2025-02-18
申请号：CN202411415967.6
申请日：2024-10-11
Applicant: 北京交通大学
IPC: G06N3/096 , G06V10/764 , G06V10/762 , G06N3/0464 , G06N3/084
Abstract: 本申请涉及一种模型训练方法、装置、计算机设备和存储介质。方法包括：在源域模型的网络结构中新增一分类器，得到目标网络结构；目标网络结构包括原始分类器和去偏分类器；基于原始分类器的权重初始化去偏分类器的权重，将原始分类器的权重设置为不可更新状态，将去偏分类器的权重设置为可更新状态；获取目标域样本数据；目标域样本数据包括多个目标域样本以及每个目标域样本对应的伪标签和初始的自适应权重；根据目标域样本数据和预设的目标函数对目标网络结构进行迭代训练，得到训练好的目标域模型。本申请能在域间差异和类别不平衡同时存在的场景下，有效提高基于源域模型迁移得到的目标域模型的性能，同时提高目标域模型在尾部类上的性能。
-
公开(公告)号：CN118132222A
公开(公告)日：2024-06-04
申请号：CN202410163760.8
申请日：2024-02-05
Applicant: 北京交通大学
Abstract: 本申请涉及一种光通信仿真任务分配方法和装置。其技术方案包括：根据预设参数形成初始化蜣螂种群任务分配执行序列后进行随机选择操作得到随机化蜣螂种群任务分配执行序列；计算随机化蜣螂种群任务分配执行序列的初代任务分配执行成本得到初代演化蜣螂种群任务分配执行序列；对初代演化蜣螂种群任务分配执行序列依次进行重新分配、躲避天敌以及任务均衡操作得到最终更新蜣螂种群任务分配执行序列，计算最终更新蜣螂种群任务分配执行序列的二代任务分配执行成本；将各蜣螂的二代任务分配执行成本和对应初代任务分配执行成本进行比对且结合预设迭代次数，得到最优光通信仿真任务分配执行序列。本申请可达到提高光通信仿真任务分配的合理性的效果。
-
公开(公告)号：CN111539989B
公开(公告)日：2023-09-22
申请号：CN202010312961.1
申请日：2020-04-20
Applicant: 北京交通大学
IPC: G06T7/246 , G06N3/0464 , G06N3/09 , G06N3/092
Abstract: 本发明提供了一种基于优化方差下降的计算机视觉单目标跟踪方法。该方法包括：根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型，对深度神经网络模型进行监督训练，根据训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型；利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪，得到跟踪目标的预测位置和尺度；根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新，进行下一帧的目标跟踪，直至跟踪结束。本发明的方法不仅运算速度更快，而且具有更稳定的模型探索能力，在绝大多数复杂场景下都能够达到更鲁棒的、高质量的目标跟踪效果。
-
公开(公告)号：CN108460406B
公开(公告)日：2022-04-29
申请号：CN201810105576.2
申请日：2018-02-02
Applicant: 北京交通大学
Abstract: 本发明公开一种基于最小单纯形融合特征学习的场景图像属性识别方法，包括：S1、采集多个数据样本并定义概念标签；S2、将每个数据样本分割为多个数据样本块；S3、对每个数据样本块进行特征提取并对应为多个特征向量；S4、向属于不同数据样本的具有相同含义的数据样本块标记同一个概念标签，建立特征向量与概念标签的关联，得到关联矩阵；S5、进行最小单纯形融合特征学习，得到各概念对应的单纯形融合特征；S6、进行多特征融合权重学习，建立含有表示同一概念的不同单纯形融合特征的权重的权重矩阵；S7、基于权重矩阵和单纯形融合特征进行信息属性识别。本发明能够对原始数据细粒度的概念标签进行学习，避免了单标签的不准确问题。
-
公开(公告)号：CN111539989A
公开(公告)日：2020-08-14
申请号：CN202010312961.1
申请日：2020-04-20
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于优化方差下降的计算机视觉单目标跟踪方法。该方法包括：根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型，对深度神经网络模型进行监督训练，根据训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型；利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪，得到跟踪目标的预测位置和尺度；根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新，进行下一帧的目标跟踪，直至跟踪结束。本发明的方法不仅运算速度更快，而且具有更稳定的模型探索能力，在绝大多数复杂场景下都能够达到更鲁棒的、高质量的目标跟踪效果。
-
Patent Agency Ranking
公开(公告)号：CN108460406A
公开(公告)日：2018-08-28
申请号：CN201810105576.2
申请日：2018-02-02
Applicant: 北京交通大学
IPC: G06K9/62
Abstract: 本发明公开一种基于最小单纯形融合特征学习的信息属性识别方法，包括：S1、采集多个数据样本并定义概念标签；S2、将每个数据样本分割为多个数据样本块；S3、对每个数据样本块进行特征提取并对应为多个特征向量；S4、向属于不同数据样本的具有相同含义的数据样本块标记同一个概念标签，建立特征向量与概念标签的关联，得到关联矩阵；S5、进行最小单纯形融合特征学习，得到各概念对应的单纯形融合特征；S6、进行多特征融合权重学习，建立含有表示同一概念的不同单纯形融合特征的权重的权重矩阵；S7、基于权重矩阵和单纯形融合特征进行信息属性识别。本发明能够对原始数据细粒度的概念标签进行学习，避免了单标签的不准确问题。
-
公开(公告)号：CN106557371A
公开(公告)日：2017-04-05
申请号：CN201610949911.8
申请日：2016-10-26
Applicant: 北京交通大学
IPC: G06F9/52
Abstract: 本发明公开一种基于边追踪的分布式系统死锁检测方法，包括如下步骤：S1、分布式系统中的各节点根据自身的状态初步判断分布式系统中是否已经发生死锁，初步判断发生死锁的节点作为死锁检测的发起节点开始执行死锁检测；S2、发起节点向其自身所依赖的节点发送探针消息；S3、收到探针消息的非发起节点将探针消息传递给其自身所依赖的节点；S4、在非发起节点收到所有来自依赖于自身的节点的探针消息之后，非发起节点将其自身依赖消息发送给发起节点；S5、发起节点收到所有非发起节点的依赖消息之后根据各节点之间的依赖关系判断是否发生死锁。本发明相比于现有的方法可以减少死锁检测过程中消息传递的数量。
-
公开(公告)号：CN114841257B
公开(公告)日：2023-09-22
申请号：CN202210421310.5
申请日：2022-04-21
Applicant: 北京交通大学
IPC: G06F18/2415 , G06F18/2431 , G06N3/09 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于自监督对比约束下的小样本目标检测方法。该方法包括：将小样本目标检测问题建模成一个基于自监督学习的数学优化问题，构建对数据扰动敏感的小样本目标检测模型；设计小样本目标检测模型的优化目标函数；基于优化目标函数使用深度学习更新过程对小样本目标检测模型进行训练，得到训练好的小样本目标检测模型，利用训练好的小样本目标检测模型对待检测的小样本进行目标检测。本发明以两阶段学习过程为基础，使用迁移学习对领域知识进行学习，并在小样本数据集上进行模型微调。实验结果证明，本发明在PASCAL‑VOC公开数据集上取得了良好的性能，可以有效提高模型在小样本目标检测问题上的性能，具有较强的实际应用意义。
-
公开(公告)号：CN116523090A
公开(公告)日：2023-08-01
申请号：CN202211535833.9
申请日：2022-12-02
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q50/30 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种预测交通异常事件持续时间的方法。该方法包括：获取交通异常事件的空间特征和外部属性信息；将交通异常事件的空间特征和外部属性信息，以及最近一段时间内的交通速度数据作为GRU模型的输入，GRU模型输出交通异常事件的时间空间相关性：将交通异常事件的时间空间相关性输入到全连接层，学习带有注意力权重的交通异常事件的动态时空特征，构建交通异常事件持续时间预测模型，利用训练好的交通异常事件持续时间预测模型预测交通异常事件的持续时间。本发明针对复杂的路网空间拓扑关系和动态的时间依赖特性，提出了一种基于上下文感知的时空图卷积方法用于估计交通事件的持续时间，有助于感知并减小异常事件对交通路况的影响。
-
公开(公告)号：CN116129310A
公开(公告)日：2023-05-16
申请号：CN202310019422.2
申请日：2023-01-06
Applicant: 北京交通大学
IPC: G06V20/40 , G06V10/26 , G06V10/82 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本申请公开了一种视频目标分割系统、方法、电子设备及介质，涉及视频处理的领域，包括接收原始视频和目标注释信息；特征提取模块包括骨干网络和结构特征提取模块，结构特征提取模块对骨干网络中对应阶段的视频帧嵌入特征中的结构信息增强得到增强嵌入特征；记忆模块存储第一帧以及历史帧的分割信息；匹配模块将原始视频中当前帧的增强嵌入特征与记忆模块的分割信息进行匹配；基于匹配到的分割嵌入张量，得到视频目标分割结果。本申请通过对视频帧嵌入特征的增强，以及通过构建包含压缩记忆单元的记忆模块，有效利用了目标结构信息，降低了记忆模块中的存储占用，同时降低了具有相似外观特征点对点对点匹配过程的影响从而增强匹配过程的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.029 seconds)
