-
公开(公告)号：CN113822339B
公开(公告)日：2024-05-31
申请号：CN202110992616.1
申请日：2021-08-27
Applicant: 北京工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本方法公开了一种自知识蒸馏和无监督方法相结合的自然图像分类方法。无监督学习旨在发现数据本身的特性，相似的样本提取特征后，他们的表示是相似的。将无监督这种方式引入到现有的自知识蒸馏方法中，可以增加每个分支的特征抽取能力，从而提高模型对于分类的准确率。在设计分支结构时，为了进一步减少参数量，为了提高模型推断速度，采用了分组卷积。
-
公开(公告)号：CN112801971B
公开(公告)日：2024-04-16
申请号：CN202110092920.0
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于把目标视为点改进的目标检测方法，该方法直接将任意尺度多目标的图像作为网络的输入，使用损失函数计算训练的损失值，通过优化损失值，反向传播更新模型参数，训练网络模型直至该模型收敛。在训练过程中选取预测的中心点热度图中的前N个点，计算对应包围框与真值包围框之间的相似度，来完成权重计算，赋予网络特征图对应的权重，告诉网络应该注意哪些点。通过在公开的数据集PascalVOC2007和2012上进行测试，体现了该网络模型具有较强的目标检测能力，证明了本发明能在保证在提高网络精度的同时，缓解中心点发散，减少冗余检测框，不影响网络的推理速度，不花费额外的计算量的情况下完成检测任务。
-
公开(公告)号：CN112957054B
公开(公告)日：2023-06-23
申请号：CN202110092953.5
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN112957052B
公开(公告)日：2023-06-23
申请号：CN202110092923.4
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。
-
公开(公告)号：CN113627554A
公开(公告)日：2021-11-09
申请号：CN202110947526.0
申请日：2021-08-18
Applicant: 北京工业大学
Abstract: 本发明针对药品的近红外光谱数据的分类问题，提出了一种基于自编码网络与极限学习机的双波段光谱鉴别方法(DWAE‑ELM)，此方法结合了AE和ELM两种方法的优点，使用AE提取药品的近红外光谱数据的二维特征，根据此特征使用ELM进行分类。DWAE‑ELM网络在结构上分为两个独立的阶段：第一阶段，采用一个三层的AE网络来提取双波段变换后的二维输入数据的稀疏特征进行非监督多层次特征表示；第二阶段，用原始的ELM做最后的药品分类任务。本方法结合了自编码网络特征提取能力强和ELM训练速度快的优点，提高了药品分类的准确度及稳定性，并和其他方法相比，模型的训练时间大幅降低，且对训练集大小不敏感，鲁棒性更强。
-
Patent Agency Ranking
公开(公告)号：CN109620152B
公开(公告)日：2021-09-14
申请号：CN201811538183.7
申请日：2018-12-16
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于MutiFacolLoss‑Densenet的心电信号分类方法，由于每条记录所测得的心电信号时间长短不一或者时间过长，无法对其进行直接分类，需要对每条记录以等长的时间间隔分割处理，然后把分割后的心电信号片段进行归一化处理，最后把处理好的心电信号输入到卷积神经网络中进行分类。该方法的主干网络主要采用DenseNet结构的思想，该思想具有分类识别率高以及参数量等优点。该主干网络的输入为分割后的心电信号片段，输出为心电信号类别个数，网络的每个输出分别为所属类别的概率，是一种端到端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN107256241B
公开(公告)日：2021-06-25
申请号：CN201710381920.6
申请日：2017-05-26
Applicant: 北京工业大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/35 , G06K9/62 , G06N3/12
Abstract: 基于网格与差异替换改进多目标遗传算法的电影推荐方法，针对NSGA‑II中存在的分布性和收敛性两方面的不足而提出了改进算法GDNSGA‑II，可以用于求解多目标组合优化问题。该算法设计多目标网格划分方式初始化种群，避免了个体不均匀而导致分布性缺失；并运用聚类选择与差异替换算子维护种群进化过程，选择适当数目的劣质个体局部搜索，保持了种群的收敛性和分布性。结合用户行为与电影属性的挖掘，将该算法应用于电影个性化推荐这一实际问题，通过和现有的算法进行测试对比说明了算法的通用性和有效性，得到了更为优良的推荐结果，提高了推荐的F调和率、多样性和新颖性，并提供了更为丰富的推荐方案组合，有利于充分挖掘用户的兴趣提供更为可靠的推荐服务。
-
公开(公告)号：CN112957052A
公开(公告)日：2021-06-15
申请号：CN202110092923.4
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。
-
公开(公告)号：CN112801971A
公开(公告)日：2021-05-14
申请号：CN202110092920.0
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于把目标视为点改进的目标检测方法，该方法直接将任意尺度多目标的图像作为网络的输入，使用损失函数计算训练的损失值，通过优化损失值，反向传播更新模型参数，训练网络模型直至该模型收敛。在训练过程中选取预测的中心点热度图中的前N个点，计算对应包围框与真值包围框之间的相似度，来完成权重计算，赋予网络特征图对应的权重，告诉网络应该注意哪些点。通过在公开的数据集PascalVOC2007和2012上进行测试，体现了该网络模型具有较强的目标检测能力，证明了本发明能在保证在提高网络精度的同时，缓解中心点发散，减少冗余检测框，不影响网络的推理速度，不花费额外的计算量的情况下完成检测任务。
-
公开(公告)号：CN111125316A
公开(公告)日：2020-05-08
申请号：CN201911369897.4
申请日：2019-12-26
Applicant: 北京工业大学
IPC: G06F16/33 , G06F16/332 , G06F40/295 , G06F40/247 , G06N5/02
Abstract: 本发明公开了一种融合多损失函数及注意力机制的知识库问答方法，该方法将问题和候选答案作为输入，采用Bi-LSTM、Bi-GRU作为主要特征提取器，同时融入注意力机制，并使用两个损失函数对模型进行优化，通过采用计算损失值反向传播来更新模型参数，训练网络模型直至该模型收敛。经过网络的训练，最终将问题和候选答案映射到维数相同的特征空间上，并用问题和候选答案特征向量间的内积计算二者的语义相似度，同时利用候选答案之间的余弦相似度来扩大不同答案之间的差异性。通过在SimpleQuestions数据集上进行测试，体现了该模型具有较强的特征映射能力及较高的准确率，从而证明了本方法的优越性。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.026 seconds)
