-
公开(公告)号：CN109978006B
公开(公告)日：2021-02-19
申请号：CN201910139095.8
申请日：2019-02-25
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明提出一种人脸图像的聚类方法和装置，其中，方法包括：对待聚类对象进行特征提取，得到人脸图像的特征向量；根据待聚类对象的数量，确定随机图聚类算法对应的重复聚类次数RT和迭代次数列表{Ri}，其中，迭代次数列表{Ri}是由每次聚类的迭代次数组成的；根据特征向量，确定阈值列表{Ti}，其中，阈值列表{Ti}是由每次聚类时构建加权图的阈值组成的；根据随机图聚类算法对应的重复聚类次数RT、迭代次数列表{Ri}以及阈值列表{Ti}，对特征向量进行聚类。该方法能够实现根据待聚类对象的规模和重复聚类次数，确定每次聚类的迭代次数，针对待聚类对象规模较小和聚类结果相对稳定的后几次聚类，可以使用较小的迭代次数，从而提高聚类效率。
-
公开(公告)号：CN110909124A
公开(公告)日：2020-03-24
申请号：CN201911018444.7
申请日：2019-10-24
Applicant: 北京邮电大学
IPC: G06F16/33 , G06F16/332 , G06F16/335 , G06F16/36 , G06F16/951 , G06F16/9535
Abstract: 本发明公开了一种基于人在回路的混合增强智能需求精准感知方法及系统，其中，系统包括：知识图谱子系统，用于存储科技资源子图谱与用户/企业信息子图谱，以根据用户需求确定不同实体之间的关系；对话子系统，用于以自然语言的方式和用户进行交互，收集用户需求，并将感知结果实时返回给用户；特征感知与推荐子系统，用于根据对话子系统和知识图谱子系统的客观数据、痕迹数据，整合相关数据生成感知结果，并生成推荐信息推荐至用户。该系统利用对话系统建立起人在回路，结合用户痕迹数据和科技资源数据进行用户需求充分挖掘与特征感知，实现用户需求精准感知，有效解决现有技术存在没有利用客观数据、无法深度感知用户需求等问题。
-
公开(公告)号：CN110580525A
公开(公告)日：2019-12-17
申请号：CN201910477603.3
申请日：2019-06-03
Applicant: 北京邮电大学
Abstract: 本申请提出一种神经网络压缩方法及系统。其中，神经网络压缩方法，包括：根据预设的初始降维能量比得到降维能量比集合；从原始训练集中进行抽样，以根据抽样数据得到抽样集；根据所述抽样集对神经网络模型中的每一层进行测试，以确定在降维能量比集合中每一个降维能量比下的精度损失；根据最小的精度损失对应的降维能量比计算每一层对应的低秩值；根据每一层对应的低秩值对神经网络压缩进行压缩，以得到压缩模型。本申请的神经网络压缩方法，对神经网络每一层进行压缩敏感度预检测，然后根据敏感度为每一层分配合适的低秩rank，最后进行低秩分解得到压缩模型，具有分配效率高且分配合理的优点，避免压缩后精度的过多下降。
-
公开(公告)号：CN120071358A
公开(公告)日：2025-05-30
申请号：CN202411964844.8
申请日：2024-12-30
Applicant: 国网河北省电力有限公司信息通信分公司 , 北京邮电大学 , 国家电网有限公司
IPC: G06V30/148 , G06V30/146 , G06V30/18 , G06F16/3329
Abstract: 本发明公开了一种基于混合注意力机制的跨模态检索方法及系统，本发明的方法包括基于ConvNeXt和BERT模型进行图像及对应的文本的特征提取，并根据提取的特征进行多模态特征聚合得到对应的粗粒度特征；基于粗粒度特征将BERT的中间层输出与ConvNeXt的顶层输出进行跨层对齐，并将BERT的顶层输出和ConvNeXt的顶层输出进行层次化对齐，以得到图像‑文本对齐结果；基于图像‑文本对齐结果通过采用粗粒度召回和细粒度检索的分层推理策略进行跨模态检索。本发明通过有效的语义过滤机制提炼关键信息，实现更准确的跨模态检索，提高检索的准确率和效率。
-
公开(公告)号：CN116362287B
公开(公告)日：2025-03-25
申请号：CN202310102989.6
申请日：2023-01-29
Applicant: 北京邮电大学 , 四方联盟(北京)科技发展有限公司 , 联洋国融(北京)科技有限公司
Abstract: 本发明提出一种支持多种硬件平台的神经网络模型量化部署方法，包括，获取待量化神经网络模型；针对待部署硬件平台配置网络量化参数；根据待部署硬件平台使用基准量化方法对待量化神经网络模型进行预量化；使用跨层权重均衡与偏差吸收相结合的思想对预量化神经网络模型参数进行均匀分布调整，获取调整后神经网络模型；根据待部署硬件平台使用自适应图调度策略找到调整后神经网络模型精度和速度间的最佳平衡点，根据最佳平衡点计算并导出量化后神经网络模型和量化后神经网络模型参数；将量化后神经网络模型参数写入到待部署硬件平台。通过本发明提出的方法，用于提升模型在端侧的推理速度，使模型可以部署在计算资源受限设备或时延敏感的应用中。
-
Patent Agency Ranking
公开(公告)号：CN114399644B
公开(公告)日：2025-02-07
申请号：CN202111535847.6
申请日：2021-12-15
Applicant: 北京邮电大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/096 , G06N3/0895 , G06N3/084
Abstract: 本发明提出一种小样本目标检测方法，包括：向检测网络发送骨干网络的权重以及特征金字塔的权重；生成候选区域，候选区域来自于区域建议网络对视觉表征骨干网络输出特征的前后景分类与回归结果；根据候选区域，借助池化算子生成统一尺寸的候选区域特征，并进行统一尺寸的候选区域特征的位置回归，内容分类以及细粒度特征挖掘；利用细粒度特征挖掘，构建细粒度的正样本对以及负样本对，形成对候选区域细粒度特征间的对比学习；按照细粒度特征挖掘中的策略形成损失函数，通过损失函数的计算进行检测网络参数的更新。该方法为小样本目标检测提供了视觉表征骨干网络，并通过对样本特征挖掘，提升样本的细粒度特征和模型检测精度。
-
公开(公告)号：CN119048534A
公开(公告)日：2024-11-29
申请号：CN202410949966.3
申请日：2024-07-16
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于超声影像的瘤周区域分割方法及系统，该方法将肿瘤超声图像的RGB颜色模型转换为HSV颜色模型，并根据HSV颜色模型确定检测的目标区域图像；对目标区域图像进行边缘检测以根据检测结果得到完整的边缘图像；基于边缘图像建立层级结构，并根据层级结构确定每个边缘的属性信息；根据线宽像素值和属性信息进行边缘绘制，并对绘制后的边缘图像进行全阈值分割得到分割后的轮廓图像；计算分割后的轮廓图像中所有轮廓的面积，对所有轮廓进行填充绘制以得到二值掩模图像；基于二值掩模图像得到肿瘤瘤周掩模图像，并将肿瘤瘤周掩模图像与肿瘤超声图像合并处理以得到不规则瘤周区域的分割结果。本发明可有效实现对肿瘤瘤周区域的精准快速分割。
-
公开(公告)号：CN116362287A
公开(公告)日：2023-06-30
申请号：CN202310102989.6
申请日：2023-01-29
Applicant: 北京邮电大学 , 四方联盟(北京)科技发展有限公司 , 联洋国融(北京)科技有限公司
Abstract: 本发明提出一种支持多种硬件平台的神经网络模型量化部署方法，包括，获取待量化神经网络模型；针对待部署硬件平台配置网络量化参数；根据待部署硬件平台使用基准量化方法对待量化神经网络模型进行预量化；使用跨层权重均衡与偏差吸收相结合的思想对预量化神经网络模型参数进行均匀分布调整，获取调整后神经网络模型；根据待部署硬件平台使用自适应图调度策略找到调整后神经网络模型精度和速度间的最佳平衡点，根据最佳平衡点计算并导出量化后神经网络模型和量化后神经网络模型参数；将量化后神经网络模型参数写入到待部署硬件平台。通过本发明提出的方法，用于提升模型在端侧的推理速度，使模型可以部署在计算资源受限设备或时延敏感的应用中。
-
公开(公告)号：CN112329820B
公开(公告)日：2022-12-27
申请号：CN202011135027.3
申请日：2020-10-21
Applicant: 北京邮电大学
Abstract: 本发明公开了一种联邦学习下不均衡数据的采样方法与装置，其中，装置包括数据监控模块、数据平衡模块、本地训练模块和中心服务器，基于混合采样的不均衡数据平衡方案，根据不同数据集的不平衡比例，基于合成少数样本与聚类下采样集成方法结合的混合采样方法，获得平衡数据集；结合数据集实时监控，在联邦学习场景下对不均衡数据集的自动处理和及时更新；从而通过结合数据级和集成方式的不均衡数据集处理方法，充分利用数据集的能力，并利用数据变动检测通过检测数据集，实现不均衡数据集的自动均衡和更新。
-
公开(公告)号：CN115495654A
公开(公告)日：2022-12-20
申请号：CN202211175093.2
申请日：2022-09-26
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本申请提出了一种基于子空间投影神经网络的点击率预估方法，涉及人工智能技术领域，其中，该方法包括：采集用户数据；对用户数据进行特征处理，得到用户特征，其中，特征处理包括归一化处理、离散化处理、未知值处理；将用户特征输入训练好的深度神经网络模型中，输出用户点击物品概率的预测结果，其中，深度神经网络模型由logloss损失函数进行训练生成；根据预测结果对物品候选集进行筛选，得到最终推荐结果。采用上述方案的本发明实现了端到端为用户提供个性化精确推荐。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.023 seconds)
