-
公开(公告)号：CN119048884B
公开(公告)日：2025-02-11
申请号：CN202411546683.0
申请日：2024-10-31
Applicant: 北京科技大学
IPC: G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/40 , G06V10/74
Abstract: 本公开提供一种基于深度学习的移动应用截图来源识别方法和系统，涉及人工智能领域。方法包括数据采集和模型构建与训练两个步骤：数据采集步骤构建移动应用样本库；模型构建与训练步骤包括四个步骤：步骤1，改进MobileNetV3网络并构建相应损失函数形成改进的MobileNetV3‑Large网络；步骤2，利用设置的对比损失函数训练内核参数，得到训练好的移动应用匹配模型；步骤3，移动应用样本库中的图片进行处理；步骤4，利用所述训练好的移动应用匹配模型，计算所述特定特征与移动应用特征库中的每个特征的欧式距离，得到所有欧氏距离中的最小值，如果低于阈值，则返回与之对应的移动应用名称，能够持续实现对最新移动应用的准确识别能力。
-
公开(公告)号：CN117495679A
公开(公告)日：2024-02-02
申请号：CN202311460075.3
申请日：2023-11-03
Applicant: 北京科技大学
IPC: G06T3/4053 , G06T5/50 , G06N3/0442 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本公开涉及一种基于非局部稀疏注意力的图像超分辨率方法和装置，属于图像处理的技术领域，该方法包括：获取被压缩的低分辨率图像；提取所述低分辨率图像的浅层特征，得到低分辨率图像的浅层特征图；对所述浅层特征图进行至少一次的通道稀疏处理和至少一次的空间稀疏处理，得到双维度稀疏特征图；将所述双维度稀疏特征图与所述浅层特征图进行融合，得到所述低分辨率图像的特征融合图；对所述特征融合图进行卷积和上采样处理，得到超分辨率图像。
-
公开(公告)号：CN113570713A
公开(公告)日：2021-10-29
申请号：CN202110758299.7
申请日：2021-07-05
Applicant: 北京科技大学
IPC: G06T17/05 , G06T17/00 , G06T17/20 , G06K9/00 , G06K9/34 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向动态环境的语义地图构建方法及装置，该方法包括：在视觉前端进行位姿估计前，对深度相机传输的图像数据进行语义分割，根据语义分割结果得到初始基础矩阵；根据初始基础矩阵初始化相机位姿，并采用基于几何的动态特征点检测算法进行动态特征点检测，搜索出所有动态特征点；将动态特征点剔除，利用剩余静态特征点构建语义地图。本发明可完整的去除动态目标对构建全局一致的地图的影响，从而能够有效地构建全局一致性地图。
-
公开(公告)号：CN120012839A
公开(公告)日：2025-05-16
申请号：CN202411930365.4
申请日：2024-12-25
Applicant: 北京科技大学
IPC: G06N3/0475 , G06N3/094 , G06N3/045 , G06N3/0495
Abstract: 本公开涉及神经网络量化领域，更具体地，本公开涉及一种神经网络量化方法、电子设备及存储介质。方法包括：构建对抗生成网络，所述对抗生成网络包括生成器和判别器，其中所述生成器包括辅助分类生成对抗网络中的生成网络，所述判别器包括预训练神经网络和与所述预训练神经网络对应的初始化的量化神经网络；通过预设损失函数对所述对抗生成网络进行训练，并基于训练后的所述对抗生成网络，生成用于神经网络量化的训练数据；通过所述训练数据对所述预训练神经网络进行量化。
-
公开(公告)号：CN112329689B
公开(公告)日：2024-06-18
申请号：CN202011280953.X
申请日：2020-11-16
Applicant: 北京科技大学
IPC: G06V20/59 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/09
Abstract: 本发明提供了一种车载环境下基于图卷积神经网络的异常驾驶行为识别方法，涉及计算机视觉技术领域，能够对人体细微行为和相似性行为做出有效识别，提高异常驾驶行为的识别能力；该方法采用改进型时空卷积网络和新型循环神经网络相结合的方式识别人体行为；改进型时空卷积网络在原有时空卷积网络的基础上进一步增加关节数量来改进空间拓扑图，提取多帧骨架序列片段的时空特征信息，再使用引入了长短期记忆的神经网络提取不同骨架序列片段的时间语义信息，以提取出的所有信息为依据进行驾驶行为的识别。本发明提供的技术方案适用于人体行为识别的过程中。
-
Patent Agency Ranking
公开(公告)号：CN113570713B
公开(公告)日：2023-10-31
申请号：CN202110758299.7
申请日：2021-07-05
Applicant: 北京科技大学
IPC: G06T17/05 , G06T17/00 , G06T17/20 , G06V20/70 , G06V10/26 , G06V10/46 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向动态环境的语义地图构建方法及装置，该方法包括：在视觉前端进行位姿估计前，对深度相机传输的图像数据进行语义分割，根据语义分割结果得到初始基础矩阵；根据初始基础矩阵初始化相机位姿，并采用基于几何的动态特征点检测算法进行动态特征点检测，搜索出所有动态特征点；将动态特征点剔除，利用剩余静态特征点构建语义地图。本发明可完整的去除动态目标对构建全局一致的地图的影响，从而能够有效地构建全局一致性地图。
-
公开(公告)号：CN111126396B
公开(公告)日：2023-08-22
申请号：CN201911360763.6
申请日：2019-12-25
Applicant: 北京科技大学 , 腾讯科技(深圳)有限公司
IPC: G06V20/62 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请实施例提供了一种图像识别方法、装置、计算机设备以及存储介质，本申请属于人工智能领域，该方法包括：根据分类器集合获取与图像相关联的对象识别结果集合；分类器集合包括至少两个分类器，至少两个分类器为处于不同的参数训练阶段的模型，至少两个分类器均用于识别图像中所包含的目标对象，每个分类器均对应一个识别结果；获取至少两个分类器分别对应的识别置信度；根据识别置信度与对象识别结果集合中所包含的识别结果，确定图像对应的目标识别结果。采用本申请实施例，可以提高图像识别的准确率。
-
公开(公告)号：CN110458203B
公开(公告)日：2021-11-30
申请号：CN201910654454.3
申请日：2019-07-19
Applicant: 北京科技大学
Abstract: 本发明提供一种广告图像素材检测方法，能够实现精细的广告图像素材检测。所述方法包括：获取广告图像素材检测训练集；构建多尺度实例分割网络，利用获取的训练集中的图像训练所述多尺度实例分割网络，其中，所述多尺度实例分割网络，用于对提取的语义信息和连接信息进行带孔空间金字塔池化处理，得到不同尺度的素材特征，基于得到的每一尺度的素材特征进行语义预测，并级联得到的素材特征得到表示像素间连接关系的连接预测和表示广告图像素材边界的轮廓预测，将语义损失、连接损失和轮廓损失组成损失函数，联合优化所述多尺度实例分割网络，将连接预测结果和任一语义预测结果进行连接，输出图像中的广告图像素材。本发明涉及计算机视觉领域。
-
公开(公告)号：CN111126396A
公开(公告)日：2020-05-08
申请号：CN201911360763.6
申请日：2019-12-25
Applicant: 北京科技大学 , 腾讯科技(深圳)有限公司
Abstract: 本申请实施例提供了一种图像识别方法、装置、计算机设备以及存储介质，本申请属于人工智能领域，该方法包括：根据分类器集合获取与图像相关联的对象识别结果集合；分类器集合包括至少两个分类器，至少两个分类器为处于不同的参数训练阶段的模型，至少两个分类器均用于识别图像中所包含的目标对象，每个分类器均对应一个识别结果；获取至少两个分类器分别对应的识别置信度；根据识别置信度与对象识别结果集合中所包含的识别结果，确定图像对应的目标识别结果。采用本申请实施例，可以提高图像识别的准确率。
-
公开(公告)号：CN119919699A
公开(公告)日：2025-05-02
申请号：CN202410851751.8
申请日：2024-06-27
Applicant: 北京科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/26
Abstract: 本公开涉及一种整洁度检测模型的训练方法、装置及电子设备，其中，该方法包括：获取原始图像；利用图像分割模型，对所述原始图像进行预处理，得到处理图像；其中，所述处理图像为将不同类别物品对应的图像从所述原始图像中识别出来的图像；根据所述原始图像和所述处理图像生成训练样本；其中，所述训练样本中各图像标注有整洁度分类结果；将所述训练样本输入待训练的整洁度检测模型进行训练，得到训练好的整洁度检测模型。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.032 seconds)
