-
公开(公告)号：CN110210551A
公开(公告)日：2019-09-06
申请号：CN201910452144.3
申请日：2019-05-28
Applicant: 北京工业大学
Abstract: 一种基于自适应主体敏感的视觉目标跟踪方法属于计算机视觉技术领域，包括整体流程、离线部分和在线部分。整体流程：设计了目标跟踪的流程，并设计了网络结构；将该网络各阶段特征图调整成自适应尺寸，完成孪生网络端到端跟踪过程；离线部分包括6个步骤：训练样本库生成；前向跟踪训练；反向传播梯度计算；梯度损失项计算；目标模板图像掩膜生成；网络模型训练及模型获取。在线部分包括3个步骤：模型更新；在线跟踪；定位目标区域。模型更新包括前向跟踪、反向传播梯度计算、梯度损失项计算、目标模板图像掩膜生成；在线跟踪包括前向跟踪得到相似性矩阵，计算当前跟踪结果置信度，回归目标区域。该方法能够更好地适应外观变化的目标稳健跟踪。
-
公开(公告)号：CN108564049A
公开(公告)日：2018-09-21
申请号：CN201810363828.1
申请日：2018-04-22
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于深度学习的快速人脸检测识别方法，该方法包括离线网络搭建部分和在线流程设计部分。对于离线网络搭建部分，本发明设计的网络结构针对不同的尺度人脸分别训练检测器，区别于现有方法中在进行人脸检测时采用单一尺度的模板网络，并采用构建图像金字塔以多任务的方式训练和运行尺度特定的检测器。对于在线流程设计部分，设计使用FIFO的list的数据结构思想建立实时人脸特征缓冲池结构，将过程中最耗时的实时特征提取部分移到整个过程的最前端，以身份证读卡器对于身份证的检测作为触发点，并提出建立结果匹配映射表的方法，在三个方面进行创新，有效节省整个过程的时间，实现快速的人脸检测识别，得出人证是否合一的准确判断。
-
公开(公告)号：CN107516312A
公开(公告)日：2017-12-26
申请号：CN201710692254.8
申请日：2017-08-14
Applicant: 北京工业大学
Abstract: 一种应用浅层神经网络进行中医面色自动分类的方法属于计算机视觉领域。设计的浅层网络层数共有5层，采用三种不同的层结构，分别为输入层、特征提取层、输出层。输入层由一个卷积层和修正线性单元组成；特征提取层由3层网络组成，前两层的每层都由一个卷积层和ReLU激活函数组成，在卷积层和ReLU之间都有一个批归一化，并在特征提取层的第二个ReLU后面加入池化层，特征提取层的第三层是一个全连接层，后接一个修正线性单元ReLU；输出层由全连接层组成，后加一个softmax分类器。本发明在分类精度上有明显优势，对缩放、平移、旋转等畸变具有不变性，有很强的鲁棒性，能够有效的提高分类精度，将深度学习的理论应用于中医面诊客观化研究。
-
公开(公告)号：CN107330889A
公开(公告)日：2017-11-07
申请号：CN201710562784.0
申请日：2017-07-11
Applicant: 北京工业大学
Abstract: 一种基于卷积神经网络的中医舌色苔色自动分析方法属于计算机视觉领域和中医舌诊领域，具体涉及深度学习、图像处理等技术。该方法可以有效提高舌色苔色自动分析的准确度和鲁棒性。本发明分类准确度高。与传统的“特征提取+分类器”方案相比，卷积神经网络是一种端到端的结构，特征提取与分类两个过程在同一框架下完成，避免了对特征和分类器选择的依赖。在分类精度上比传统方法具有明显优势，可以满足实际应用需求。
-
公开(公告)号：CN1972046A
公开(公告)日：2007-05-30
申请号：CN200610114667.X
申请日：2006-11-21
Applicant: 北京工业大学
Abstract: 大功率半导体激光器偏振耦合装置及其方法属于激光领域。大功率半导体激光器因为其光束质量差而限制了其在工业领域的应用。本发明装置包括两个输出功率相同并且发散角相同的大功率半导体激光器即半导体激光阵列I(1)和半导体激光阵列II(4)，半波片(2)插入半导体激光阵列I(1)和偏振分光棱镜(3)之间；半波片(2)与半导体激光阵列I(1)发出的激光方向垂直；从半波片(2)出射的寻常光和半导体激光阵列II(4)输出的激光耦合器件分别垂直入射偏振分光棱镜(3)两个相邻入射面。本发明解决了以前采用TALBOT腔方案不能实现1000瓦以上输出的问题以及光纤耦合方案结构复杂不利于工程化的问题，更易于操作和实现工业化应用。
-
Patent Agency Ranking
公开(公告)号：CN113989269B
公开(公告)日：2024-04-02
申请号：CN202111343980.1
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06T7/00 , G16H30/20 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，以卷积神经网络VGG16作为基础网络提取特征；提出了多尺度特征融合模块和特征增强模块，分别用于对卷积神经网络的不同尺度特征进行融合，并对融合后的特征进行增强，形成4个检测层；最后采用SSD方法在这4个检测层上分别进行齿痕检测，并采用非极大值抑制方法对各个检测结果进行融合，得到最终的齿痕检测结果。本发明可以提高各检测层的特征表达能力，实现中医舌图像中齿痕的自动、准确检测，在检测精度上与传统方法相比具有明显优势，可以满足实际应用需求。本发明大大降低了网络模型的复杂度。本方法在检测精度上具有明显的优势，可以满足实际的应用需求。
-
公开(公告)号：CN114022494B
公开(公告)日：2024-03-29
申请号：CN202111343973.1
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06T7/11 , G06T7/194 , G06N3/0464 , G06N3/042 , G06N3/096 , G06N3/045 , G16H30/20 , G06V10/764
Abstract: 本发明公开了一种基于轻型卷积神经网络和知识蒸馏的中医舌图像自动分割方法，设计了一种轻型密集连接卷积模块，并利用该模块构建轻型舌图像分割网络；利用舌图像分割数据集训练网络，并采用知识蒸馏的方法增强网络的准确性和鲁棒性，得到分割网络模型。具体包括以下步骤：舌图像分割数据集的构建；轻型舌图像分割网络的设计；基于知识蒸馏的轻型舌图像分割网络的训练。与现有技术相比本发明模型参数小、分割速度快。采用了知识蒸馏的训练方法，提出的分割网络在分割精度和鲁棒性方面都获得与教师模型可以比较的结果，满足实际应用的需求。
-
公开(公告)号：CN110728694B
公开(公告)日：2023-11-24
申请号：CN201910956780.X
申请日：2019-10-10
Applicant: 北京工业大学
IPC: G06T7/20 , G06N3/096 , G06N3/084 , G06N3/098 , G06N3/0464
Abstract: 本发明涉及一种基于持续学习的长时视觉目标跟踪方法，该方法包括网络模型设计、模型初始化、在线跟踪和模型更新。针对长时视觉目标跟踪设计了深度神经网络结构，经过模型初始化获得初始化网络模型，然后利用初始化网络模型进行在线跟踪，在跟踪过程中利用持续学习的方法进行长时或短时模型更新，适应目标在跟踪过程中的各种变化。本发明把传统视觉目标跟踪的模型在线更新过程转换为持续学习的过程，从视频的所有历史数据整体建立目标的完整外观描述，有效提升了长时视觉跟踪的鲁棒性。本发明所述的方法可为智能视频监控、人机交互、视觉导航等应用需求提供长时视觉目标跟踪的有效解决方案。
-
公开(公告)号：CN116433721A
公开(公告)日：2023-07-14
申请号：CN202310218025.8
申请日：2023-03-08
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于生成伪融合特征的室外RGB‑T目标跟踪算法，包括生成伪融合特征网络和天气适应性增强网络。生成伪融合特征网络包括对融合特征采用先逐通道卷积再点积的方式获取更丰富的融合特征和采用低计算量的通道交换的方式实现多模态之间的信息交流。天气适应性增强网络关注跟踪器在执行室外跟踪任务时对天气类型变化的适应能力，采用多分支天气类型预测结构，计算多个天气特征提取分支对特征图的天气类型预测概率，并采用双模态并行预测的方式，提高跟踪器对天气变化的适应性，保证信息的可靠性。本发明结合多模态数据的异质性实现优势互补、提升特征的表征能力，并提高应对天气变化的能力，实现鲁棒的跟踪。
-
公开(公告)号：CN114240994A
公开(公告)日：2022-03-25
申请号：CN202111302041.2
申请日：2021-11-04
Applicant: 北京工业大学
Abstract: 本发明提供一种目标跟踪方法、装置、电子设备及存储介质。其中，目标跟踪方法包括：获取初始特征图像；所述初始特征图像包括目标对象；将所述初始特征图像输入到分类及回归网络中，分别得到分类特征图像和回归特征图像；对所述分类特征图像和所述回归特征图像进行位置信息处理，得到位置特征图像；对所述位置特征图像进行相关性处理，得到相关特征图像；基于所述相关特征图像，得到所述目标对象的目标跟踪信息。本发明能够提高目标跟踪的精确度。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.034 seconds)
