-
公开(公告)号：CN118982693A
公开(公告)日：2024-11-19
申请号：CN202411200312.7
申请日：2024-08-29
申请人： 山西大学
摘要： 本发明提出了一种基于两级自步学习的无监督图匹配方法，实现步骤为：获取训练样本集和测试样本集；构建基于两级自步学习的无监督图匹配网络模型O；对无监督图匹配网络模型进行迭代训练；获取无监督图匹配结果。本发明在对无监督图匹配网络模型进行训练的过程中，自步学习子图更新网络通过置信度值较高的指示矩阵对融合关联子图的节点特征和分配关联子图的节点特征进行更新，批量样本自步学习反馈网络通过置信度对训练样本集进行更新，并将更新结果作为下一次迭代的输入，避免了现有技术中因存在置信度较低的节点特征和随机选取训练样本子集的缺陷，有效提高了匹配精度。
-
公开(公告)号：CN118982692A
公开(公告)日：2024-11-19
申请号：CN202411200301.9
申请日：2024-08-29
申请人： 山西大学
IPC分类号： G06V10/75 , G06N3/088 , G06V10/82 , G06V10/774 , G06N3/08 , G06V10/74 , G06N3/0464 , G06V10/25
摘要： 本发明提出了一种基于注意力网络的无监督图匹配方法，实现步骤为：获取训练样本集和测试样本集；构建基于注意力网络的图匹配网络模型W；定义图匹配网络模型W的损失函数L；对图匹配网络模型W进行迭代训练；获取图匹配结果。本发明中的注意力网络中的自注意力模块计算节点的自注意力特征，交叉注意力模块对两个自注意力特征与图节点的语义相似性分别进行融合后对两幅自然图像的节点表示进行特征更新，充分利用了节点的自注意力特征和语义相似度信息；本发明通过亲和度矩阵中对应节点的亲和度最大值与亲和度矩阵中的所有节点的亲和度值计算图匹配网络模型的损失值来对模型中的参数进行更新，有效提高了图匹配精度。
-
公开(公告)号：CN118981639A
公开(公告)日：2024-11-19
申请号：CN202411007169.X
申请日：2024-07-25
申请人： 西北工业大学
IPC分类号： G06F18/214 , G06F18/213 , G06F18/23 , G06F18/25 , G06N3/0455 , G06N3/0499 , G06N3/048 , G06N3/088
摘要： 本发明涉及群智感知数据动态冗余检测技术领域，特别涉及一种基于对比学习的群智感知数据动态冗余检测方法；所述方法包括：获取任务目标的感知数据集、利用预训练的冗余检测模型进行冗余检测，得到冗余检测结果，其中，冗余检测模型的训练步骤包括：构建感知数据集、对若干条感知数据进行数据增强、特征提取和多模态特征融合，得到融合特征对，构建融合特征矩阵、构建正负样本，进行实例级和聚类级的对比学习，通过损失函数进行迭代训练，直至收敛，得到冗余检测模型；本发明通过在对比学习框架内集成聚类任务，实现单阶段端到端的冗余聚类，针对动态群智感知数据，实行准确灵活的冗余数据识别，有效提高了冗余检测的准确性和数据质量。
-
公开(公告)号：CN118980932A
公开(公告)日：2024-11-19
申请号：CN202410720925.7
申请日：2024-06-05
申请人： 北京理工大学
IPC分类号： G01R31/367 , G06F18/2433 , G06F18/213 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06F18/2113 , G06N3/047 , G06N3/088 , G01R31/392
摘要： 本发明提供了一种适用于多场景的新能源汽车电池系统异常检测方法，其对不同用车场景分别执行了数据集构建和特征提取，并建立了基于Trans‑GAN的无监督异常检测模型，在此基础上使用改进的累积和(CUSUM)方法，能够实现对不同场景下电池系统电压不一致性异常的有效检测。所采用的Trans‑GAN模型的无卷积特性，使本发明相对其他基于GAN模型的方法在精度和计算成本方面也具有明显优势。
-
公开(公告)号：CN113869055B
公开(公告)日：2024-11-19
申请号：CN202111194442.0
申请日：2021-10-13
申请人： 天津大学 , 国网经济技术研究院有限公司 , 国网浙江省电力有限公司经济技术研究院
IPC分类号： G06F40/295 , G06F40/30 , G06F40/211 , G06F40/151 , G06F18/2415 , G06N3/0455 , G06N3/0442 , G06N3/047 , G06N3/088 , G06Q10/10 , G06Q50/06 , G06N3/048
-
-
公开(公告)号：CN118968591A
公开(公告)日：2024-11-15
申请号：CN202411003764.6
申请日：2024-07-25
申请人： 深圳市中孚能电气设备有限公司
IPC分类号： G06V40/16 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088 , G06N3/0895
摘要： 本申请涉及一种生产安全预警方法、装置、计算机设备和存储介质。方法包括：获取生产过程图像；将生产过程图像输入预训练的神经网络模型，得到目标识别结果，目标识别结果包括动作识别结果和表情识别结果；将目标识别结果输入预训练的安全预警模型，确定预警处理策略；基于预警处理策略进行生产安全预警。采用本方法能够提高生产安全预警的准确度，减少误报。
-
公开(公告)号：CN118968548A
公开(公告)日：2024-11-15
申请号：CN202410994483.5
申请日：2024-07-24
申请人： 电子科技大学(深圳)高等研究院
IPC分类号： G06V40/10 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/74 , G06V10/764 , G06N3/0464 , G06N3/088 , G06N3/096 , G06N3/084
摘要： 本发明涉及图像识别技术领域，尤其涉及一种行人重识别方法，该方法包括：获取待识别图像和目标识别模型，目标识别模型包括具有L层融合归一化层的第一目标主干网络和具有L层模拟归一化层的第二目标主干网络；通过第一目标主干网络对待识别图像进行融合归一化特征提取，得到待识别图像的第一目标特征向量，通过第二目标主干网络对待识别图像进行模拟归一化特征提取，得到待识别图像的第二目标特征向量；根据第一目标特征向量和第二目标特征向量得到待识别图像的识别特征向量；将识别特征向量与目标域中的目标特征向量进行相似度度量处理，得到待识别图像对应的目标行人的识别结果。该方法提高行人重识别技术的泛化能力，提升行人重识别效率。
-
公开(公告)号：CN118968385A
公开(公告)日：2024-11-15
申请号：CN202411138995.8
申请日：2024-08-19
申请人： 东南大学
IPC分类号： G06V20/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/088
摘要： 本发明提供了一种用于小样本学习的长序列动作识别方法，旨在解决传统基于Transformer的方法在处理长序列时面临的高计算复杂度问题，同时改进局部特征建模和时序对齐的能力，并缓解类内差异积累对模型性能的负面影响。本发明主要包括三个核心部分：特征提取模块、Mamba分支模块和对比学习模块。针对传统Mamba方法在小样本动作识别中的局限性，本发明提出了一种多尺度的Matryoshka Mamba模型。该模型通过内模块增强局部特征的表达能力，并通过外模块实现局部特征的精确对齐。此外，本发明还提出了一种混合对比学习方法，用以有效缓解同类别长序列的类内差异积累对小样本动作识别性能的负面影响。本发明在提升小样本学习效率的同时，显著提高了长序列动作识别的准确性和鲁棒性。
-
公开(公告)号：CN118968241A
公开(公告)日：2024-11-15
申请号：CN202410997719.0
申请日：2024-07-24
申请人： 西北大学
IPC分类号： G06V10/80 , G06V10/82 , G06V10/44 , G06N3/088 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06N3/084
摘要： 本发明公开了一种基于多尺度提取与层内可学习融合的壁画线稿提取方法，包括：步骤1、建立线稿提取模型，所述线稿提取模型包括多尺度特征提取模块和层内可学习融合模块；所述多尺度特征提取模块用于提取图像的线条特征，获得线条特征图Ffuse；所述层内可学习融合模块用于通过类激活映射和特征权重融合，对所述线条特征图Ffuse的关键线条细节进行捕捉；步骤2、利用所述线稿提取模型，生成图像线稿图。
-
-
-
-
-
-
-
-
-
搜索结果
5012 条记录 (耗时 0.013 秒)
