-
公开(公告)号:CN114129138B
公开(公告)日:2023-09-22
申请号:CN202111632736.7
申请日:2021-12-29
Applicant: 北京工业大学
IPC: A61B5/00
Abstract: 本发明公开了一种基于时序多尺度混合注意力模型的自动睡眠分期方法,属于生物医学工程和机器学习领域。本发明基于当下流行的深度学习神经网络与注意力机制,引入时序多尺度思想并设计了端到端的自动睡眠分期模型,能够充分表达睡眠信号波形与结构特征,考虑两种时间尺度下睡眠阶段转换的时序特性。与现有自动睡眠分期方法相比,本发明能够在保证较高睡眠分期准确率的同时,最大程度贴合睡眠信号特性和人工睡眠分期过程,具有较高的可解释性,为将来睡眠医学领域与人工智能领域的结合提供了新思想。
-
公开(公告)号:CN114159021B
公开(公告)日:2023-08-18
申请号:CN202110999622.X
申请日:2021-08-29
Applicant: 北京工业大学
Abstract: 本发明公开了基于双输入‑单输出深度学习的切伦可夫激发的荧光扫描断层成像重建方法,CELST重建问题可以建模为一个非线性的最优化问题,但是由于测量信号的个数远小于待求解信号的个数,因此在数学上是一个高度的不适定问题,通常采用基于L2范数约束的正则化迭代求解。然而,传统正则化方法求出的荧光量子产额服从高斯分布,反映到图像上过于平滑,导致重建伪影严重。为了解决这一问题,本发明提出一种双输入‑单输出深度学习模型结构,该方法同时将采集的荧光信号和传统方法重建的低质量荧光量子产额图像作为网络输入,直接输出高质量的荧光量子产额图像。实验结果表明,本方法能够实现CELST的准确重建。
-
公开(公告)号:CN115482412A
公开(公告)日:2022-12-16
申请号:CN202211117962.6
申请日:2022-09-14
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于粗细粒度的地基云图分类方法,属于大气科学与计算机视觉领域。如何在不添加人工辅助信息和额外的物体位置信息标注的情况下提取更精细、更显著的纹理和形状特征仍是一个亟待解决的技术问题。本发明包含以下步骤:构建了一种弱监督学习的粗细粒度预测网络来提取云图具有辨别性的纹理特征,通过网络训练建立了云图全局特征与局部特征之间的联系;结合注意力学习和局部定位方法实现对云图显著性局部特征的定位和细化;最后,将粗细粒度预测结果相融合实现对目标的定位和分类并输出所属类别。实验结果表明本方法在地基云分类方面比强监督方法取得了更好的进展,达到98.58%的准确率,为设备集成与实际应用提供了可能性。
-
公开(公告)号:CN113108949B
公开(公告)日:2022-11-04
申请号:CN202110279691.3
申请日:2021-03-16
Applicant: 北京工业大学
IPC: G01K15/00 , G01K13/024 , G01W1/08
Abstract: 本发明公开了一种基于模型融合的探空仪温度传感器误差预测方法,属于传感器技术领域。本发明包含以下步骤:构建高空气象探测数据集;利用特征工程进行相应影响因素构建;设计增强型深度神经网络模型;设计基于模型融合的传感器误差预测方法。本发明充分利用机器学习在误差预测中的优势,并以残差为思想,设计了针对探空仪温度传感器误差的预测模型,有效地提升了传感器的测量精度。
-
公开(公告)号:CN109587503B
公开(公告)日:2022-10-18
申请号:CN201811648995.7
申请日:2018-12-30
Applicant: 北京工业大学
IPC: H04N19/593 , H04N19/11 , H04N19/147 , H04N19/597 , H04N13/161
Abstract: 本发明公开了一种基于边缘检测的3D‑HEVC深度图帧内编码模式快速决策方法,本方法通过判断当前预测单元属于平坦区域还是纹理复杂区域来简化帧内模式选择过程。若满足平坦区域条件,则跳过相应帧内预测模式;否则,通过检测边缘的方向来减少粗模式选择(RMD)中角度模式计算数量,从而降低帧内编码复杂度,减少编码时间。对比实验结果证明了本算法的有效性,与标准测试平台HTM 16.0相比,本方法在保证视频编码质量基本不变的前提下,可以节省30.61%的编码时间,有效降低了视频帧内编码的复杂度。
-
公开(公告)号:CN111385585B
公开(公告)日:2022-05-24
申请号:CN202010192422.9
申请日:2020-03-18
Applicant: 北京工业大学
IPC: H04N19/70 , H04N19/96 , H04N19/44 , H04N13/161 , G06N20/00
Abstract: 本发明公开了一种基于机器学习的3D‑HEVC深度图编码单元快速决策方法,通过构建基于深度梯度提升(XGBoost)的深度图快速编码单元(CU)级别决策系统,用于解决3D‑HEVC中添加深度图和新的编码工具导致的编码复杂度高的问题。该方法包括两部分:XGBoost模型训练和快速CU分割决策。使用数据挖掘和机器学习,通过使用深度图的纹理信息作为特征属性矢量以及当前CU是否继续作为子类标签划分为子CU,来构建决策模型。从编码过程中提取了特征属性,并使用训练有素的模型来确定CU是否继续分区。与标准编码器相比,该方法具有更好的性能改善效果,与相关工作相比,在编码性能上有不同程度地提高。
-
公开(公告)号:CN108388884B
公开(公告)日:2022-05-17
申请号:CN201810221392.2
申请日:2018-03-17
Applicant: 北京工业大学
IPC: G06V20/58 , G06V20/40 , G06K9/62 , G06V10/56 , G06V10/50 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明公开了基于Haar‑Adaboost算法和直方图对比的出租车检测方法,首先采集车窗区域的正负样本,提取正负样本的Haar特征;然后,基于Adaboost算法的级联分类器训练对正负样本进行处理,将待测图像和视频与基于Adaboost算法的级联分类器训练后的样本输入至加载级联分类器中,显示出租车检测结果,检测到的区域定位车顶灯区域,车顶灯区域颜色空间转换,最后进行直方图对比。考虑到实际环境中极易发生出租车相互遮挡的情况,因此选取出租车不易被遮挡的车窗区域为Haar特征提取区域。考虑到非现场执法过程中需要对复杂环境下的出租车实现实时检测,选取经典算法中实时性和鲁棒性好的Haar‑Adaboost算法训练出租车的车窗特定区域。通过该方法对出租车进行二次检测,减小出租车误检率。
-
公开(公告)号:CN111510728B
公开(公告)日:2022-05-06
申请号:CN202010282678.9
申请日:2020-04-12
Applicant: 北京工业大学
IPC: H04N19/593 , H04N19/14 , H04N19/119 , H04N19/124 , H04N19/91 , H04N19/154 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度特征表达与学习的HEVC帧内快速编码方法。首先,通过利用深度卷积神经网络强大的特征表达与学习能力,并将注意力机制、特征传递机制等思想与视频编码流程的先验信息相结合,构建CU划分表征矢量预测网络;其次,通过设计有效的损失函数及网络超参数完成该网络的训练过程;最后,使用网络输出结果代替四叉树划分算法的划分结果,完成视频编码流程。采用本发明的技术方案,与国际编码标准HEVC(HM16.5)相比,在保证视频编码质量基本不变的前提下,减少视频编码所需时间成本,缓解编码质量与编码速度之间的矛盾,提高HEVC的编码效率。
-
公开(公告)号:CN108549875B
公开(公告)日:2022-04-15
申请号:CN201810356130.7
申请日:2018-04-19
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于深度通道注意力感知的脑电癫痫发作检测方法,属于生物医学工程和机器学习领域。本发明引入注意力机制于多通道脑电癫痫发作检测中,训练端到端的深度通道注意力感知模型。该模型不仅可以提取脑波信号的深度特征,而且能够同时学习各通道对于检测癫痫的贡献分数,实现动态选择最相关脑电通道。与现有技术相比,本发明通过结合深度特征提取和注意力机制动态选择最相关脑电通道并协同表达癫痫特征,使其融合特征具有通道感知能力,并在提升癫痫检测率的同时具有可解释性。
-
公开(公告)号:CN114129138A
公开(公告)日:2022-03-04
申请号:CN202111632736.7
申请日:2021-12-29
Applicant: 北京工业大学
IPC: A61B5/00
Abstract: 本发明公开了一种基于时序多尺度混合注意力模型的自动睡眠分期方法,属于生物医学工程和机器学习领域。本发明基于当下流行的深度学习神经网络与注意力机制,引入时序多尺度思想并设计了端到端的自动睡眠分期模型,能够充分表达睡眠信号波形与结构特征,考虑两种时间尺度下睡眠阶段转换的时序特性。与现有自动睡眠分期方法相比,本发明能够在保证较高睡眠分期准确率的同时,最大程度贴合睡眠信号特性和人工睡眠分期过程,具有较高的可解释性,为将来睡眠医学领域与人工智能领域的结合提供了新思想。
-
-
-
-
-
-
-
-
-