-
公开(公告)号：CN119540750A
公开(公告)日：2025-02-28
申请号：CN202411509153.9
申请日：2024-10-28
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于混合条形卷积的道路变化检测方法及相关设备，该方法包括：获取针对同一位置的两张待检测图像；通过特征加强模块提取各所述待检测图像中的道路线性特征；其中，所述特征加强模块基于多尺度条形卷积单元得到；通过交叉融合模块对各所述待检测图像中的所述道路线性特征进行融合处理，得到融合特征；基于所述融合特征进行道路变化检测。本发明通过特征加强模块捕捉道路特征的长距离依赖关系，通过交叉融合模块交互传播两个道路线性特征的空间信息和时间信息，进而提高道路变化检测的准确率。
-
公开(公告)号：CN119540549A
公开(公告)日：2025-02-28
申请号：CN202411411154.X
申请日：2024-10-10
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于动态超网络的云边协同目标检测方法，其中方法包括：基于YOLOv5s单分支网络构建动态分割超网络，动态分割超网络包括多个卷积层和多个分割点，在每一分割点添加细粒度补偿F‑Com块和Identity块，在动态分割超网络的末端添加粗粒度补偿C‑Com块；基于样本图像，对动态分割超网络进行训练，得到训练后的超网络；基于训练后的超网络，构建推理模型，在边缘设备和云端部署推理模型，实时地进行神经网络架构搜索，确定最优分割点，得到目标检测模型；边缘设备和云端协同利用目标检测模型对待检测图像进行目标检测，得到目标检测结果。本发明实时性强，能够在动态场景下提高推理效率和精度。
-
公开(公告)号：CN119478386A
公开(公告)日：2025-02-18
申请号：CN202411309805.4
申请日：2024-09-19
Applicant: 北京邮电大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供一种面向感知数据回传的多模态生成式语义通信方法及装置，其中，上述方法包括：获取由发送端传输的压缩图像数据，其中，压缩图像数据是对独热编码后的语义分割图进行压缩得到的；对压缩图像数据进行解压缩，得到独热编码后的语义分割图；将独热编码后的语义分割图与模态类别输入至预训练的隐空间扩散模型，其中，模态类别包括可见光模态以及红外模态；通过预训练的隐空间扩散模型的可见光解码器，输出重构可见光图像；通过预训练的隐空间扩散模型的红外解码器，输出重构红外图像；通过本发明能够提高应急环境中感知数据通信效率。
-
公开(公告)号：CN118351408A
公开(公告)日：2024-07-16
申请号：CN202410456087.7
申请日：2024-04-16
Applicant: 北京邮电大学
IPC: G06V10/80 , G06V10/82 , G06V10/58 , G06N3/0464
Abstract: 本申请提供了一种基于深度低秩先验的空谱特征融合方法和装置，该方法包括：将二维均匀噪声输入至空间低秩生成网络模型，得到空间低秩特征矩阵，将一维均匀噪声输入至光谱低秩生成网络模型，得到光谱低秩特征矩阵，基于空间低秩特征矩阵和光谱低秩特征矩阵生成HRHS图像后输入至空间降分辨率网络模型，得到退化LRHS图像，将HRHS图像分别输入至分波段范围取平均操作算法和光谱降分辨率网络模型，得到退化HRMS图像；基于HRHS图像、退化LRHS图像、LRHS图像、退化HRMS图像和HRMS图像，迭代更新上述四个网络模型的网络参数，将收敛时的HRHS图像，确定为融合目标HRHS图像，提高了HRHS图像的图像质量。
-
公开(公告)号：CN116796823A
公开(公告)日：2023-09-22
申请号：CN202310723421.6
申请日：2023-06-16
Applicant: 北京邮电大学
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明提供一种类别自适应模型剪枝方法、装置、电子设备和存储介质，属于模型剪枝技术领域。该方法包括：分别建立针对各类别的优化模型，基于优化模型分别确定针对各类别的目标剪枝率；对原始卷积神经网络模型进行稀疏正则化训练，以确定骨干部中每一层网络分别对应各通道的缩放因子；针对稀疏正则化训练后的原始卷积神经网络模型，基于校准数据集，确定骨干部的每一层网络分别针对各类别的目标类别注意力系数；基于缩放因子和目标类别注意力系数确定骨干部的每一层网络对应的各通道，分别针对各类别的重要度系数；基于目标剪枝率和重要度系数，针对每个类别分别对原始卷积神经网络模型进行剪枝处理。该方法获得的剪枝模型便于部署且性能较优。
-
Patent Agency Ranking
公开(公告)号：CN115311508A
公开(公告)日：2022-11-08
申请号：CN202210947869.1
申请日：2022-08-09
Applicant: 北京邮电大学
IPC: G06V10/77 , G06V10/82 , G06V20/40 , G06V10/143 , G06N3/04
Abstract: 本发明公开了一种基于深度U型网络的单帧图像红外弱小目标检测方法，该方法包括构建基于深度监督U型网络及加入该深度监督U型网络中的密集特征编码模块的单帧图像红外弱小目标检测模型，其中，所述深度监督U型网络可提取得到的多层次、多尺度的图像特征并对其进行精度还原，密集特征编码模块可进行通道注意力交叉导向学习和空间注意力交互导向学习，在网络深度增加的同时不损失特征分辨率失，同时可提升目标的全局及局部上下文表征，实现像素特征之间的长距离依赖关系；且所述检测模型不依赖经典的分类骨干网络，可解决传统深度网络中弱小目标的深度语义特征可判性降低、无法关注目标的局部上下文信息等问题，实现精准的红外弱小目标检测。
-
公开(公告)号：CN118673795A
公开(公告)日：2024-09-20
申请号：CN202410701114.2
申请日：2024-05-31
Applicant: 北京邮电大学
IPC: G06F30/27 , G06N3/082 , G06N3/092 , G06N3/0464 , G06Q50/26
Abstract: 本发明提供一种边端协同自适应推演加速方法、装置、设备及存储介质，边端协同自适应推演加速方法包括根据获取边端两侧的推演时延；根据通信链路传输速率和传输数据大小计算传输时延；根据边端两侧的推演时延和传输时延建立边端协同推演模型；利用分层强化学习模型对边端协同推演模型进行优化，输出分割位置和剪枝率耦合决策结果，从而降低模型推演时延，加速模型推演过程，为应急救援提供数据支撑。
-
公开(公告)号：CN118396113A
公开(公告)日：2024-07-26
申请号：CN202410506383.3
申请日：2024-04-25
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于多分支神经网络的动态协同推演处理方法及装置。该方法包括：将输入数据发送到多分支神经网络模型中进行动态协同推演处理，基于出口决策算法对输入数据在多分支神经网络模型中的协同推演处理过程的出口分支进行动态选择分析，确定对应的分布式退出决策；根据分布式退出决策，在基于多分支神经网络模型对输入数据进行协同推演处理的过程中选择出各个学生模型的目标出口分支执行退出操作，并将目标出口分支输出的中间特征向量作为输入数据对应的预测推演结果。本发明提供的基于多分支神经网络的动态协同推演处理方法，能够实现高效的动态协同推理，同时显著降低推理计算开销，从而优化整体的推理性能。
-
公开(公告)号：CN118041408A
公开(公告)日：2024-05-14
申请号：CN202410076200.9
申请日：2024-01-18
Applicant: 北京邮电大学
IPC: H04B7/06 , H04B7/08 , H04B17/336 , H04L1/00
Abstract: 本发明提供一种基于非正交多址接入的通感一体化波束赋形方法和装置，涉及通信技术领域，所述方法包括：获取第一叠加信号；基于非正交多址接入技术对应的串行干扰消除技术，对第一叠加信号中的上行通信信号进行剔除，得到第二叠加信号；获取至少一个下行用户设备对应的下行SINR、至少一个上行用户设备对应的上行SINR和至少一个感知目标对应的感知SINR；基于至少一个期望目标对应的感知SINR最大化构建目标函数，基于下行SINR和上行SINR构建约束条件，并基于目标函数和约束条件构建波束赋形优化问题；期望目标属于感知目标；对波束赋形优化问题进行迭代求解，确定通感一体化的波束赋形结果。本发明可实现多目标感知。
-
公开(公告)号：CN119580253A
公开(公告)日：2025-03-07
申请号：CN202411561096.9
申请日：2024-11-04
Applicant: 北京邮电大学
IPC: G06V20/70 , G06V10/26 , G06V10/774 , G06V10/74 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/091
Abstract: 本发明提供一种基于动态不确定度主动学习策略的点云语义分割方法及系统，属于道面监测技术领域，包括：基于三维点云数据样本，得到多个已标注的第一超点样本和多个未标注的第二超点样本；基于全部第一超点样本训练初始模型，得到第一训练模型；使用第一训练模型对每个第二超点样本进行预测，得到每个第二超点样本的实际不确定度；基于实际不确定度对全部第二超点样本进行筛选，得到多个候选超点样本；基于全部候选超点样本，构建训练数据集；基于训练数据集对第一训练模型进行更新训练，得到点云语义分割模型。本发明通过智能筛选和优化标注样本分布，提升类别多样性并降低标注成本，从而显著提高模型的分割精度和泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.034 seconds)
