-
公开(公告)号：CN112508998A
公开(公告)日：2021-03-16
申请号：CN202011256300.8
申请日：2020-11-11
Applicant: 北京工业大学
Abstract: 本发明提出了一种基于全局运动的视觉目标对齐方法，为了使冰壶项目运动员的训练更为科技化，能够更好的观察冰壶完整的运动路径。本方法通过分析冰壶运动视频可以获得视频中冰壶的跟踪数据，并且通过计算可以得到相机镜头的运动，用该运动对视频中的场地进行还原处理，进而得到冰壶场地的运动数据。将场地运动数据和冰壶跟踪数据相结合，最后计算得到完整的冰壶运动轨迹，输出可视化结果。通过测试验证了该方法的可行性，具有重要应用价值。
-
公开(公告)号：CN113784831B
公开(公告)日：2023-08-15
申请号：CN201880100558.3
申请日：2018-12-29
Applicant: 北京工业大学
IPC: B29C64/386 , B33Y50/00
Abstract: 一种基于自适应内部支撑结构的3D打印方法，包括下述步骤：S1：将支撑结构的基准生物结构图进行图像提取，得到多层网格纹路，作为三维模型内部支撑结构的多个层图；S2：将三维模型逐层分离出多层结构，每一层进行二值化与掏空处理得到多张图片；S3：将步骤S1中得到的每个层图与步骤S2中得到的相应图片进行融合，得到多个最终的切片层结构；S4：根据三维模型强度需求，确定每个切片层中支撑结构的支撑面积；S5：对三维模型分析进行自适应结构设计，并调整强度材料比；S6：通过三维重建算法还原回三维模型并进行打印。
-
公开(公告)号：CN114936328A
公开(公告)日：2022-08-23
申请号：CN202210429323.7
申请日：2022-04-22
Applicant: 北京工业大学
IPC: G06F16/9536 , G06F16/901 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于Transformer模型的图卷积兴趣解耦方法。传统的推荐算法多采用图卷积的方法，考虑了用户与其邻居节点之间信息的传递，但是生成的用户特征表示是单一的，忽略了用户的交互是由多方面兴趣产生的，即隐向量相互纠缠问题，导致推荐的性能不能达到最优。本发明提出了一种新型的细粒度级别兴趣解耦方法，首先使用图卷积的方法研究用户在不同兴趣空间之内的特征，再通过Tranformer模型探究用户不同兴趣之间的内在联系，最后将不同兴趣之间的特征融合得到兴趣解耦后用户特征表达。针对上述方法，我们利用公开的社交网络、电商平台以及点评网站的数据集分别进行训练、测试以优化模型的性能，验证该方法的有效性。
-
公开(公告)号：CN113297936A
公开(公告)日：2021-08-24
申请号：CN202110531225.X
申请日：2021-05-17
Applicant: 北京工业大学
Abstract: 一种基于局部图卷积网络的排球群体行为识别方法，涉及智能媒体计算和计算机视觉领域；首先对训练视频样本进行时域稀疏采样，对采样出的视频帧使用卷积神经网络提取全图特征图，并利用RoI Align根据图像中的个体候选框的位置提取个体视觉特征图；其次建立个体自连接图模型和个体间连接图模型，并以图卷积网络对图模型中的个体局部特征进行交互信息的传递得到关系特征图，并将其与个体视觉特征图进行融合；将训练样本进行预处理后传入网络中，利用损失函数和优化器对模型的参数进行迭代更新直至达到收敛，完成训练；最后将测试数据送入网络中，得到模型对测试数据的预测结果以及分类准确率。本发明有助于提升群体行为识别算法的性能。
-
公开(公告)号：CN112508998B
公开(公告)日：2025-01-03
申请号：CN202011256300.8
申请日：2020-11-11
Applicant: 北京工业大学
Abstract: 本发明提出了一种基于全局运动的视觉目标对齐方法，为了使冰壶项目运动员的训练更为科技化，能够更好的观察冰壶完整的运动路径。本方法通过分析冰壶运动视频可以获得视频中冰壶的跟踪数据，并且通过计算可以得到相机镜头的运动，用该运动对视频中的场地进行还原处理，进而得到冰壶场地的运动数据。将场地运动数据和冰壶跟踪数据相结合，最后计算得到完整的冰壶运动轨迹，输出可视化结果。通过测试验证了该方法的可行性，具有重要应用价值。
-
Patent Agency Ranking
公开(公告)号：CN116091555B
公开(公告)日：2024-12-03
申请号：CN202310029285.0
申请日：2023-01-09
Applicant: 北京工业大学
Abstract: 基于深度学习的端到端全局和局部运动估计方法属于图像处理领域。从原始视频中估计全局和局部运动是很有必要的。现有的全局和局部运动估计方法都不能以端到端的形式同时对视频帧中的两种运动进行估计。本发明提出了一种分别进行全局和局部运动估计的三模块运动估计网络，提出了基于特征维度变换和全局运动基的全局运动估计器，来约束全局运动估计模块关注全局低秩信息，并排除非全局信息的干扰。利用混合重构损失、全局重构损失和局部重构损失三个损失函数对网络进行无监督深度学习。在单应性估计数据集DHE和行为识别数据集NCAA上验证了本发明的有效性。实验结果表明，本发明具有比以往的方法更好的性能。
-
公开(公告)号：CN116091555A
公开(公告)日：2023-05-09
申请号：CN202310029285.0
申请日：2023-01-09
Applicant: 北京工业大学
Abstract: 基于深度学习的端到端全局和局部运动估计方法属于图像处理领域。从原始视频中估计全局和局部运动是很有必要的。现有的全局和局部运动估计方法都不能以端到端的形式同时对视频帧中的两种运动进行估计。本发明提出了一种分别进行全局和局部运动估计的三模块运动估计网络，提出了基于特征维度变换和全局运动基的全局运动估计器，来约束全局运动估计模块关注全局低秩信息，并排除非全局信息的干扰。利用混合重构损失、全局重构损失和局部重构损失三个损失函数对网络进行无监督深度学习。在单应性估计数据集DHE和行为识别数据集NCAA上验证了本发明的有效性。实验结果表明，本发明具有比以往的方法更好的性能。
-
公开(公告)号：CN113920153A
公开(公告)日：2022-01-11
申请号：CN202111076361.0
申请日：2021-09-15
Applicant: 北京工业大学
Abstract: 基于编码‑解码网络的深度运动分离方法属于图像处理领域。从原始混合运动中估计全局运动和局部运动是有必要的。现有的全局运动估计算法无法表达复杂场景下的全部全局运动。同时，体育比赛转播视频等存在静止的记分牌等区域，对局部运动估计造成了影响。本发明提出了一种端到端的全局与局部运动估计网络，利用自动编码器将原始运动编码为代表全部全局运动的低维向量后解码为全局运动场。网络通过混合运动场中全局运动区域的运动值进行弱监督学习。进一步，Attention U‑net将粗糙局部运动中的记分牌等噪声区域的运动值去除，得到纯净的局部运动。在行为识别数据集NCAA，UCF‑101和单应性估计数据集DHE上的实验表明，该方法的全局运动和局部运动估计结果好于现有方法。
-
公开(公告)号：CN112328908A
公开(公告)日：2021-02-05
申请号：CN202011258551.X
申请日：2020-11-11
Applicant: 北京工业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于协同过滤的个性化推荐方法。随着网络数据的日益激增，用户更希望在海量数据中获得符合自身兴趣的内容，本发明方法通过结合基于用户的协同过滤和基于物品的协同过滤两种技术，来获得既具社会化又具有个性化的推荐结果，在Top‑N任务中表现优异。同时，在处理物品和用户的一阶邻域关系时引入注意力机制，实现了物品和用户的动态表达过程，进一步提升了推荐的准确性。本发明的目的在于充分利用物品和用户的一阶邻域关系，以获得准确和个性化的推荐结果。
-
公开(公告)号：CN112328908B
公开(公告)日：2022-10-28
申请号：CN202011258551.X
申请日：2020-11-11
Applicant: 北京工业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于协同过滤的个性化推荐方法。随着网络数据的日益激增，用户更希望在海量数据中获得符合自身兴趣的内容，本发明方法通过结合基于用户的协同过滤和基于物品的协同过滤两种技术，来获得既具社会化又具有个性化的推荐结果，在Top‑N任务中表现优异。同时，在处理物品和用户的一阶邻域关系时引入注意力机制，实现了物品和用户的动态表达过程，进一步提升了推荐的准确性。本发明的目的在于充分利用物品和用户的一阶邻域关系，以获得准确和个性化的推荐结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.022 seconds)
