-
公开(公告)号：CN114049539A
公开(公告)日：2022-02-15
申请号：CN202210023260.5
申请日：2022-01-10
Applicant: 杭州海康威视数字技术股份有限公司 , 北京航空航天大学
Abstract: 本申请提供了基于去相关二值网络的协同目标识别方法、系统及装置。本申请中，通过将二值网络模型训练过程中的目标量化误差最小化，基于贝叶斯学习将最小化的目标量化误差分解为最大似然估计和最大后验估计以分别确定激活张量二值化误差Lc、权重张量二值化误差Ld，以实现在训练二值网络模型时除了考虑常规的预测误差Ls外，还进一步考虑Lc、Ld，以优化神经网络二值化过程中噪声影响，避免模型训练过程中因为参数的梯度消失或不存在而影响二值网络模型的训练，保证最终训练出的二值网络模型更稳定、更好的完成模型收敛，进一步提高二值网络模型在应用中比如识别出的目标对象（如人脸）和/或异常动作行为（如纵火、抢劫）等的精准度。
-
公开(公告)号：CN114047691A
公开(公告)日：2022-02-15
申请号：CN202210023265.8
申请日：2022-01-10
Applicant: 杭州海康威视数字技术股份有限公司 , 北京航空航天大学
IPC: G05B11/42
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，借鉴PID的设计思想，在深度学习常用的梯度下降算法比如Adam算法等中引入微分控制环节，实现自适应调整模型参数的学习率，加速神经网络模型中模型参数的收敛，避免神经网络模型训练过程中的损失震荡，最终实现了自适应学习率协同优化的目标识别。进一步地，在本实施例中，通过对自适应调整后的学习率进行裁剪，可解决后期因为出现极端学习率而造成模型不收敛或找不到良好的全局最优解的问题。
-
公开(公告)号：CN114049539B
公开(公告)日：2022-04-26
申请号：CN202210023260.5
申请日：2022-01-10
Applicant: 杭州海康威视数字技术股份有限公司 , 北京航空航天大学
Abstract: 本申请提供了基于去相关二值网络的协同目标识别方法、系统及装置。本申请中，通过将二值网络模型训练过程中的目标量化误差最小化，基于贝叶斯学习将最小化的目标量化误差分解为最大似然估计和最大后验估计以分别确定激活张量二值化误差Lc、权重张量二值化误差Ld，以实现在训练二值网络模型时除了考虑常规的预测误差Ls外，还进一步考虑Lc、Ld，以优化神经网络二值化过程中噪声影响，避免模型训练过程中因为参数的梯度消失或不存在而影响二值网络模型的训练，保证最终训练出的二值网络模型更稳定、更好的完成模型收敛，进一步提高二值网络模型在应用中比如识别出的目标对象（如人脸）和/或异常动作行为（如纵火、抢劫）等的精准度。
-
公开(公告)号：CN114612750B
公开(公告)日：2022-08-19
申请号：CN202210499300.3
申请日：2022-05-09
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，根据每个训练批次训练出的模型与先前已训练的模型之间的差异，自适应地将每个训练批次训练出的模型与先前已训练的模型融合，能够减少模型对先前知识的遗忘，从而避免神经网络训练过程中的损失震荡，加快模型平滑收敛。
-
公开(公告)号：CN114612750A
公开(公告)日：2022-06-10
申请号：CN202210499300.3
申请日：2022-05-09
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，根据每个训练批次训练出的模型与先前已训练的模型之间的差异，自适应地将每个训练批次训练出的模型与先前已训练的模型融合，能够减少模型对先前知识的遗忘，从而避免神经网络训练过程中的损失震荡，加快模型平滑收敛。
-
Patent Agency Ranking
公开(公告)号：CN116129338A
公开(公告)日：2023-05-16
申请号：CN202310416964.3
申请日：2023-04-19
Applicant: 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC: G06V20/50 , G01C21/20 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/092
Abstract: 本发明涉及一种基于因果干预的决策方法，属于机器动作决策技术领域。本发明利用环境的观测信息和待寻找目标的目标信息，得到不同的表征作为因果注意力机制模块的输入，输入到果注意力机制的样本内注意力机制和跨样本注意力机制两个子模块中获得决策指令。本发明使用因果注意力机制作为因果干预的实现，能够很好的解决传统的决策方法存在受到混淆因子影响的问题。本发明的决策方法收敛速度快、准确率高以及在未知环境下决策成功率高。
-
公开(公告)号：CN115457343A
公开(公告)日：2022-12-09
申请号：CN202210886346.0
申请日：2022-07-26
Applicant: 北京航空航天大学
IPC: G06V10/774 , G06V10/778 , G06V10/22 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于特征信息差异的模型蒸馏方法及装置，所述方法包括：获取样本图像的学生特征图和教师特征图；学生特征图是通过学生模型对样本图像进行特征提取获取的，所述教师特征图是通过教师模型对样本图像进行特征提取获取的；根据样本图像的锚框位置信息，分别获取每个锚框对应的第一图像特征和第二图像特征；第一图像特征为学生特征图的图像特征，第二图像特征为教师特征图的图像特征；根据第一图像特征和第二图像特征之间的特征差异度，利用教师模型对学生模型进行蒸馏训练。本发明提供的基于特征信息差异的模型蒸馏方法，与现有的蒸馏方法相比，在教师模型和学生模型之间特征信息差异度较大时，具有更好的蒸馏效果。
-
公开(公告)号：CN113752259B
公开(公告)日：2022-08-05
申请号：CN202111033569.4
申请日：2021-09-03
Applicant: 北京航空航天大学
Abstract: 本申请涉及一种机械臂的脑机接口控制方法、装置及设备。机械臂的脑机接口控制方法包括：获取多通道的脑电信号；针对每个通道的脑电信号执行预处理，得到三维空间中六个方向的信号特征；对每个信号特征计算功率谱，并根据功率谱计算对应的预设频段的功率谱特征，将功率谱特征作为频域特征；对每个信号特征进行滑动窗口卷积，得到时域特征；对每个通道的频域特征和时域特征进行拼接，得到特征结果；将得到的多通道的特征结果输入到预先训练好的解码模型中，得到机械臂在三维空间中三个方向的运动速度。如此，将机械臂的运动强度考虑到了控制方法中，提高了机械臂运动控制的流畅程度和脑控机械臂运动的准确性，实现了三维空间下机械臂的在线控制。
-
公开(公告)号：CN114565671A
公开(公告)日：2022-05-31
申请号：CN202210158768.6
申请日：2022-02-21
Applicant: 北京航空航天大学
Abstract: 本申请提供了一种基于自编码器的回环检测方法。所提供的基于自编码器的回环检测方法，包括：在训练场景中采集第一多个图像，从所述第一多个图像生成训练样本训练所述自编码器；在回环检测场景中采集第二多个图像，对所述第二多个图像的每个提取ORB特征点与特征点图像块；用经训练的所述自编码器处理从所述第二多个图像的每个提取的特征点图像块，将所述自编码器的隐藏层输出作为提供给所述自编码器的特征点图像块的特征向量；计算第一图像的同所述第二多个图像的特征向量的相似度来识别回环。
-
公开(公告)号：CN113752259A
公开(公告)日：2021-12-07
申请号：CN202111033569.4
申请日：2021-09-03
Applicant: 北京航空航天大学
Abstract: 本申请涉及一种机械臂的脑机接口控制方法、装置及设备。机械臂的脑机接口控制方法包括：获取多通道的脑电信号；针对每个通道的脑电信号执行预处理，得到三维空间中六个方向的信号特征；对每个信号特征计算功率谱，并根据功率谱计算对应的预设频段的功率谱特征，将功率谱特征作为频域特征；对每个信号特征进行滑动窗口卷积，得到时域特征；对每个通道的频域特征和时域特征进行拼接，得到特征结果；将得到的多通道的特征结果输入到预先训练好的解码模型中，得到机械臂在三维空间中三个方向的运动速度。如此，将机械臂的运动强度考虑到了控制方法中，提高了机械臂运动控制的流畅程度和脑控机械臂运动的准确性，实现了三维空间下机械臂的在线控制。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.064 seconds)
