-
公开(公告)号：CN114661544A
公开(公告)日：2022-06-24
申请号：CN202210188714.4
申请日：2022-02-28
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于注意力机制层的大数据平台日志异常检测方法。该方法包括：通过大数据平台获取日志数据，将文本类型的日志数据转化为结构化的数字数据，生成一维的日志向量；对一维日志向量数据进行Logkey2vec编码，将一维日志向量映射到二维向量矩阵；构建基于注意力机制的CNN模型，使用日志数据的训练集训练基于注意力机制的CNN模型，将二维向量矩阵输入到训练好的基于注意力机制的CNN模型中，所述基于注意力机制的CNN模型输出所述日志数据中的日志条目的正常或者异常的类别预测结果信息。本发明方法利用大数据平台产生的多余日志，避免了实时监控系统的高资源占用，结合了CNN可以捕捉更多信息的优点，同时兼顾了准确性、稳定性、高效性。
-
公开(公告)号：CN106780506A
公开(公告)日：2017-05-31
申请号：CN201611039325.6
申请日：2016-11-21
Applicant: 北京交通大学
IPC: G06T7/11
Abstract: 本发明公开一种基于多源路径最短距离的交互式图像分割方法，包括：S1、根据图像的像素值特征计算图像中的像素点之间的边权重，并根据像素点之间的边权重将图像转化为无向加权图；S2、在图像中的各待分割物体内部分别标记多个像素点作为各待分割物体的标记点，待分割物体的标记点带有待分割物体各自的标识；S3、对图像中所有未标记的像素点依据无向加权图寻找与其距离最近的标记点，从而将图像分割问题转化为多源最短路径搜索问题；S4、以与各未标记的像素点距离最近的标记点的标识标记各未标记的像素点，得到图像中每个像素点带有的标识，并将带有不同标识的像素点的边界标记为分割边界。本发明能够达到更理想的、高质量的图像分割结果。
-
公开(公告)号：CN117521792B
公开(公告)日：2024-08-20
申请号：CN202311569089.9
申请日：2023-11-22
Applicant: 北京交通大学
IPC: G06N5/02 , G06F40/295 , G06F40/30 , G06F18/214 , G06F18/40
Abstract: 本发明涉及知识图谱构建技术领域，提供了一种基于人机协作式信息提取标注工具的知识图谱构建方法，包括：通过信息提取标注工具将命名实体识别任务、实体关系三元组提取任务和事件提取任务进行转换整合统一，生成整合结果；基于所述整合结果通过所述信息提取标注工具进行人工标注和自动标注之间的双向交互进行信息标注；在自动标注过程中通过预设的知识增强模型对正在标注的语句进行外部知识库的查询，获取相关多模态信息进行知识增强；在标注完成后通过预训练的知识融合模型自动完成知识融合获取更加统一的知识，完成知识图谱构建。本发明解决了现有知识图谱构建过程中难以人机协同且操作复杂的问题。
-
公开(公告)号：CN111508000B
公开(公告)日：2024-02-09
申请号：CN202010290926.4
申请日：2020-04-14
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于参数空间噪声网络的深度强化学习目标跟踪方法。该方法包括：构建基于深度强化学习的目标跟踪模型，设计基于参数空间噪声线性层的网络损失函数，通过目标跟踪模型对目标进行视频序列中的逐帧跟踪，输出跟踪得到的当前帧的目标位置；通过贪心算法选择最优的模型更新模式，根据最优的模型更新模式利用网络损失函数对当前的目标跟踪模型进行参数更新；基于当前帧的目标位置通过更新后的目标跟踪模型进行下一帧的目标跟踪，重复执行上述处理过程，直至完成全部帧的目标跟踪，输出目标在视频序列中完整的位置信息。本发明的方法运算速度更快，具有更好的可迁移性和鲁棒性，在复杂场景下都能够达到更高效、鲁
-
公开(公告)号：CN117521792A
公开(公告)日：2024-02-06
申请号：CN202311569089.9
申请日：2023-11-22
Applicant: 北京交通大学
IPC: G06N5/02 , G06F40/295 , G06F40/30 , G06F18/214 , G06F18/40
Abstract: 本发明涉及知识图谱构建技术领域，提供了一种基于人机协作式信息提取标注工具的知识图谱构建方法，包括：通过信息提取标注工具将命名实体识别任务、实体关系三元组提取任务和事件提取任务进行转换整合统一，生成整合结果；基于所述整合结果通过所述信息提取标注工具进行人工标注和自动标注之间的双向交互进行信息标注；在自动标注过程中通过预设的知识增强模型对正在标注的语句进行外部知识库的查询，获取相关多模态信息进行知识增强；在标注完成后通过预训练的知识融合模型自动完成知识融合获取更加统一的知识，完成知识图谱构建。本发明解决了现有知识图谱构建过程中难以人机协同且操作复杂的问题。
-
Patent Agency Ranking
公开(公告)号：CN115862038A
公开(公告)日：2023-03-28
申请号：CN202211405330.X
申请日：2022-11-10
Applicant: 北京交通大学
IPC: G06V30/244 , G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于端到端神经网络的木板印刷满文识别方法。该方法包括：从满文古籍图片中切割出独立的满文单词，将每个满文单词用一个满文单词图片来表示；使用卷积神经网络CNN对满文单词图片进行卷积操作时，提取出满文单词图片的特征向量；使用长短期记忆网络LSTM处理CNN提取出的特征向量，得到向量序列；采用连接性时序分类算法CTC算法将LSTM输出的向量序列转化为对应满文单词的标签序列，根据标签序列对满文单词进行识别。本发明方法可以有效地从大量的印刷满文图片中提取出清晰、可拆分且通用的特征并加以识别，同时对上下文中相关联的特征信息进行有效的筛选与关联，进而获得高识别准确率的印刷满文识别模型。
-
公开(公告)号：CN114841257A
公开(公告)日：2022-08-02
申请号：CN202210421310.5
申请日：2022-04-21
Applicant: 北京交通大学
IPC: G06K9/62 , G06N3/08 , 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：CN111508000A
公开(公告)日：2020-08-07
申请号：CN202010290926.4
申请日：2020-04-14
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于参数空间噪声网络的深度强化学习目标跟踪方法。该方法包括：构建基于深度强化学习的目标跟踪模型，设计基于参数空间噪声线性层的网络损失函数，通过目标跟踪模型对目标进行视频序列中的逐帧跟踪，输出跟踪得到的当前帧的目标位置；通过贪心算法选择最优的模型更新模式，根据最优的模型更新模式利用网络损失函数对当前的目标跟踪模型进行参数更新；基于当前帧的目标位置通过更新后的目标跟踪模型进行下一帧的目标跟踪，重复执行上述处理过程，直至完成全部帧的目标跟踪，输出目标在视频序列中完整的位置信息。本发明的方法运算速度更快，具有更好的可迁移性和鲁棒性，在复杂场景下都能够达到更高效、鲁棒的目标跟踪结果。
-
公开(公告)号：CN106780506B
公开(公告)日：2020-05-08
申请号：CN201611039325.6
申请日：2016-11-21
Applicant: 北京交通大学
IPC: G06T7/11
Abstract: 本发明公开一种基于多源路径最短距离的交互式图像分割方法，包括：S1、根据图像的像素值特征计算图像中的像素点之间的边权重，并根据像素点之间的边权重将图像转化为无向加权图；S2、在图像中的各待分割物体内部分别标记多个像素点作为各待分割物体的标记点，待分割物体的标记点带有待分割物体各自的标识；S3、对图像中所有未标记的像素点依据无向加权图寻找与其距离最近的标记点，从而将图像分割问题转化为多源最短路径搜索问题；S4、以与各未标记的像素点距离最近的标记点的标识标记各未标记的像素点，得到图像中每个像素点带有的标识，并将带有不同标识的像素点的边界标记为分割边界。本发明能够达到更理想的、高质量的图像分割结果。
-
公开(公告)号：CN106650667A
公开(公告)日：2017-05-10
申请号：CN201611221282.3
申请日：2016-12-26
Applicant: 北京交通大学
CPC classification number: G06K9/00369 , G06N3/126
Abstract: 本发明公开了一种基于支持向量机的行人检测方法，所述方法包括：S1：提取训练图像中的边缘和文理信息，处理得到特征向量；S2：对所述特征向量进行降维，得到降维的特征向量；S3：采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习；S4：将待检测的图像进行S1和S2的处理，然后输入所述支持向量机进行行人检测，本发明同时公开了一种基于支持向量机的行人检测系统，本发明采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习，考虑特征组合对行人检测分类效果的影响，并为所有维度的特征制定权值，提高行人检测的准确度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.034 seconds)
