-
公开(公告)号：CN116824191A
公开(公告)日：2023-09-29
申请号：CN202310859986.7
申请日：2023-07-13
Applicant: 河南大学
IPC: G06V10/762 , G06N3/045
Abstract: 本发明提出了一个基于多通道注意机制的子空间聚类方法，该方法将能够挖掘空间特征的模块合并到自表示网络中，以凸显不同的数据特征，并补充多层感知机丢失的空间信息。具体通过通道和空间注意力模块成功的挖掘了输入数据样本中的潜在特征，并提取了图像不同特征之间的空间关系；同时采用静态参数化的通道映射和空间映射对已获得的特征空间信息进行细化筛选，进一步增强了自我表达的质量；最后，依托自表示网络，通过学习亲和矩阵来完成聚类任务。通过实验证明了本发明的聚类方法具有较高的准确性。
-
公开(公告)号：CN116612378A
公开(公告)日：2023-08-18
申请号：CN202310578589.2
申请日：2023-05-22
Applicant: 河南大学
Abstract: 本发明公开一种基于SSD改进的不平衡数据及复杂背景下水下小目标检测方法，包括：对SSD的网络进行改进：使用VGG16作为前端骨干网络，将第Conv3_3处的输出作为第一层特征层，在Conv3_3之后嵌入多维像素注意力网络；在多维像素注意力网络之后使用膨胀率为r且具有ReLU激活的空洞卷积，依次生成剩余需要预测的多个特征层；将生成的多个特征层对应的特征图输入联合加权知识蒸馏与多尺度特征蒸馏模块；调整原始不平衡的水下图像数据集中待检测图片大小并输入至改进后SSD的网络；基于改进后SSD的网络对水下小目标进行检测。本发明大大提高了稀有类别的检测能力，减小了由于样本分布不平衡对模型检测能力的影响。
-
公开(公告)号：CN114998633B
公开(公告)日：2024-06-21
申请号：CN202210740023.0
申请日：2022-06-28
Applicant: 河南大学
IPC: G06V10/762 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/0895
Abstract: 本发明公开一种基于视图注意力驱动的多视图聚类方法，包括：构建多视图特征提取网络；构建多视图特征提取网络训练时所需损失函数，并进行网络训练，得到多视图特征提取网络模型；将多视图样本数据输入所述多视图特征提取网络模型中，得到不同样本的所有视图特征表示；将同一样本的所有视图的特征表示进行连接，对连接后不同多视图样本特征数据采用k‑means算法进行聚类，得到多视图样本数据的聚类结果。本发明采用对比学习和注意力机制学习不同视图数据的特征表示，在学习不同视图的特征表示时，同时考虑其他视图所关注的信息，从而加强对所有视图中存在的一致性信息的关注和减少仅存于视图子集中与聚类目标无关信息的影响。
-
公开(公告)号：CN116934796B
公开(公告)日：2024-08-06
申请号：CN202310894398.7
申请日：2023-07-20
Applicant: 河南大学
IPC: G06T7/223 , G06T7/246 , G06V10/82 , G06N3/045 , G06V10/80 , G06V10/766 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视觉跟踪技术领域，公开一种基于孪生残差注意力聚合网络的视觉目标跟踪方法，包括：提出了一种孪生残差注意力聚合网络框架SiamRAAN，实现了自适应特征隐式更新；首先，SiamRAAN将Self‑RAAN加入骨干网络中，利用残差自注意力提取出目标有效特征；然后，通过加入Cross‑RAAN，使目标模板和搜索图像提取特征时重点关注关联性高的部分，同时实现了模板特征的在线更新；最后，加入了多级特征融合模块，对RAAN增强的特征信息进行融合，提升了网络对于重点特征的感知能力，提高了视觉目标跟踪的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116612378B
公开(公告)日：2024-07-05
申请号：CN202310578589.2
申请日：2023-05-22
Applicant: 河南大学
Abstract: 本发明公开一种基于SSD改进的不平衡数据及复杂背景下水下小目标检测方法，包括：对SSD的网络进行改进：使用VGG16作为前端骨干网络，将第Conv3_3处的输出作为第一层特征层，在Conv3_3之后嵌入多维像素注意力网络；在多维像素注意力网络之后使用膨胀率为r且具有ReLU激活的空洞卷积，依次生成剩余需要预测的多个特征层；将生成的多个特征层对应的特征图输入联合加权知识蒸馏与多尺度特征蒸馏模块；调整原始不平衡的水下图像数据集中待检测图片大小并输入至改进后SSD的网络；基于改进后SSD的网络对水下小目标进行检测。本发明大大提高了稀有类别的检测能力，减小了由于样本分布不平衡对模型检测能力的影响。
-
公开(公告)号：CN116934796A
公开(公告)日：2023-10-24
申请号：CN202310894398.7
申请日：2023-07-20
Applicant: 河南大学
IPC: G06T7/223 , G06T7/246 , G06V10/82 , G06N3/045 , G06V10/80 , G06V10/766 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视觉跟踪技术领域，公开一种基于孪生残差注意力聚合网络的视觉目标跟踪方法，包括：提出了一种孪生残差注意力聚合网络框架SiamRAAN，实现了自适应特征隐式更新；首先，SiamRAAN将Self‑RAAN加入骨干网络中，利用残差自注意力提取出目标有效特征；然后，通过加入Cross‑RAAN，使目标模板和搜索图像提取特征时重点关注关联性高的部分，同时实现了模板特征的在线更新；最后，加入了多级特征融合模块，对RAAN增强的特征信息进行融合，提升了网络对于重点特征的感知能力，提高了视觉目标跟踪的准确性。
-
公开(公告)号：CN117530701A
公开(公告)日：2024-02-09
申请号：CN202311338241.2
申请日：2023-10-16
Applicant: 河南大学
IPC: A61B5/369 , A61B5/372 , A61B5/00 , G06F18/2131 , G06F18/25 , G06F18/241 , G06N3/0442 , G06N3/045 , G06F123/02
Abstract: 本发明提供一种认知负荷分类方法和系统。该方法包括获取目标用户的脑电信号；将脑电信号输入至训练好的认知负荷分类模型中，得到目标用户此时的认知负荷等级；认知负荷分类模型的分类过程具体包括：根据输入的用户的脑电信号，生成能量地形图；提取能量地形图中的空间特征；对提取到的空间特征进行频谱时间特征提取以便定位得到最具有区分力的时段内的特征；根据所述最具有区分力的时段内的特征，预测得到用户的认知负荷等级；其中，提取能量地形图中的空间特征具体包括：步骤A1：对能量地形图中每个频段的信息进行独立提取并优化，得到每个频段对应的优化后空间特征；步骤A2：对不同尺度的特征图进行融合，得到最终的空间特征。
-
公开(公告)号：CN116700988A
公开(公告)日：2023-09-05
申请号：CN202310787387.9
申请日：2023-06-29
Applicant: 河南大学
IPC: G06F9/50
Abstract: 本发明公开一种Spark环境下基于自适应预留内存的数据调度策略，首先判断内存空间是否满足执行任务并行度最优内存的执行条件，如果满足并且发现有任务被阻塞，进行执行内存的重新分配并优先保证任务并行度；其次如果内存中任务运行正常，触发内存的自适应调节算法，对多余的内存进行回收；最后根据内存的分配空间大小控制RDD选择计算代价更低的存储位置，以让出足够的空间优先保证执行内存的空间预留。本发明通过自适应预留执行内存空间，根据任务运行的情况选择压缩或增加分配的执行内存空间，动态保证Spark并行计算框架计算过程中的任务并行度；还根据Spark任务的特性分配内存空间，以保证计算并行性，优化资源利用率。
-
公开(公告)号：CN114998633A
公开(公告)日：2022-09-02
申请号：CN202210740023.0
申请日：2022-06-28
Applicant: 河南大学
IPC: G06V10/762 , G06V10/40 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于视图注意力驱动的多视图聚类方法，包括：构建多视图特征提取网络；构建多视图特征提取网络训练时所需损失函数，并进行网络训练，得到多视图特征提取网络模型；将多视图样本数据输入所述多视图特征提取网络模型中，得到不同样本的所有视图特征表示；将同一样本的所有视图的特征表示进行连接，对连接后不同多视图样本特征数据采用k‑means算法进行聚类，得到多视图样本数据的聚类结果。本发明采用对比学习和注意力机制学习不同视图数据的特征表示，在学习不同视图的特征表示时，同时考虑其他视图所关注的信息，从而加强对所有视图中存在的一致性信息的关注和减少仅存于视图子集中与聚类目标无关信息的影响。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
