“冀中”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果88个，建议您升级VIP下载更多相关专利

[发明专利]基于时空特征融合网络的红外弱小目标检测方法-CN202310864360.5在审
发明人：孙裕鑫;冀中 -专利权人：天津大学
申请日： 2023-07-13 - 公布日： 2023-10-10 - 主分类号： G06V10/82 文献下载
摘要：本发明涉及红外弱小目标检测技术领域，为充分挖掘红外图像序列中的时空特性，在时间和空间两个维度上实现注意力引导机制。本发明主要应用于设计制造场合。本发明采取的技术方案是，基于时空特征融合网络的红外弱小目标检测方法，时空特征融合红外弱小目标检测网络模型STNet，以相邻帧红外图像为输入，送入由空间注意力单元SAU组成的STNet主干网络提取视觉特征，最终送入时序引导的Transformer结构完成时空特征融合，并最终生成检测结果的预测，其中，由空间注意力单元SAU组成的STNet主干网络是指利用SAU实现对STNet主干网络卷积层的原位替代。本发明主要应用于红外弱小目标检测场合。
基于时空特征融合网络红外弱小目标检测方法

[发明专利]一种面向人物交互的多重语义融合少样本分类方法-CN201910301393.2有效
发明人：冀中;刘西瑶 -专利权人：天津大学
申请日： 2019-04-15 - 公布日： 2023-06-13 - 主分类号： G06F18/214 文献下载
摘要：一种面向人物交互的多重语义融合少样本分类方法，从元训练集的支持集中随机取得不同类别样本的视觉特征；将不同类别样本的视觉特征送到用于感知人物交互关系的第一多重语义融合网络中得到不同类别样本的多重语义融合后的特征向量；从元训练集的查询集取得样本的视觉特征，送到用于感知人物交互关系的第二多重语义融合网络中得到多重语义融合后的特征向量；依次将查询集和支持集的视觉特征输入到两个多重语义融合网络中，根据多重语义融合后的特征向量计算属于各个类别的概率；设定目标函数，进行训练和进行测试后计算属于各个类别的概率，将计算得到的概率中最大的概率所对应的类别，作为查询集视觉特征的类别。本发明实现了对复杂场景下人与物体关系的分类。
一种面向人物交互多重语义融合样本分类方法

[发明专利]基于语义引导的少量样本分类方法-CN201910582212.8有效
发明人：冀中;柴星亮 -专利权人：天津大学
申请日： 2019-06-30 - 公布日： 2023-06-09 - 主分类号： G06V10/764 文献下载
摘要：一种基于语义引导的少量样本分类方法，使用卷积神经网络模块对所有样本图像分别进行特征提取，得到每张样本图像的特征向量；将属于同类别的样本图像的特征向量的均值作为该类别的类别原型来表示该类；通过全连接网络将所有类别原型映射到与对应类别的语义向量相同的维度，计算类别原型与语义向量的欧式距离，将欧式距离作为一个损失函数来引导类别原型和对应的语义向量对齐；将待识别的图像进行特征提取并将该图像映射到与语义相同的维度，与所有类别的类别原型映射到与对应的语义相同的维度得到的向量进行比较，对待识别的图像进行分类。本发明通过利用语义空间对视觉空间进行约束引导，使图像的特征空间具有一定的语义相关性，结构更加鲁棒。
基于语义引导少量样本分类方法

[发明专利]一种基于深度端对端示例差异化的零样本多标签分类方法-CN201811495479.5有效
发明人：冀中;李慧慧;庞彦伟 -专利权人：天津大学
申请日： 2018-12-07 - 公布日： 2023-04-28 - 主分类号： G06V10/764 文献下载
摘要：一种基于深度端对端示例差异化的零样本多标签分类方法，训练阶段包括：训练多示例特征提取网络；提取训练样本对应的标签特征；视觉特征到标签特征空间的跨模态映射网络训练，用于实现多模态融合，并挖掘标签与标签间、样本与标签间的关联关系；训练样本的标签和测试样本的标签各标签之间的约束模块；训练阶段的最终目标函数的优化。测试阶段直接利用训练阶段所获取的端对端网络实现零样本多标签分类包括：利用多示例特征提取网络提取测试样本多示例特征；提取测试样本对应的标签特征；测试样本多标签分类。本发明能对未标记图像实现多标签图像标注。
一种基于深度示例异化样本标签分类方法

[发明专利]基于自编码对抗生成网络的零样本学习方法-CN201811134484.3有效
发明人：于云龙;冀中 -专利权人：天津大学
申请日： 2018-09-27 - 公布日： 2023-04-25 - 主分类号： G06F18/214 文献下载
摘要：一种基于自编码对抗生成网络的零样本学习方法，包括：输入可见类别样本的视觉特征，以及对应的类别语义特征；输入具体的平衡参数λ及α的数值；设定参数的初始值，学习率，利用Adam优化器训练本发明所提出的自编码对抗生成网络，得到编码器和解码器的模型参数；输入未见类别的语义特征，利用已训练好的模型参数合成对应类别的视觉特征；对未见类别的测试样本进行分类。本发明能够有效地对齐视觉模态和类别语义模态之间的语义关系。将视觉信息和类别语义信息充分的交融在一起，能够更有效地挖掘两种模态之间的语义关联，合成更有效地视觉特征。
基于编码对抗生成网络样本学习方法

[发明专利]一种基于变分自编码对抗网络的零样本图像分类方法-CN201910770543.4有效
发明人：冀中;崔碧莹;庞彦伟 -专利权人：天津大学
申请日： 2019-08-20 - 公布日： 2023-04-25 - 主分类号： G06V10/774 文献下载
摘要：一种基于变分自编码对抗网络的零样本图像分类方法，是通过构造视觉模态和语义模态两个变分自编码器并以视觉特征和语义特征分别对应作为两个变分自编码器的输入，生成伪视觉特征和语义特征，最后将真实的和生成的视觉特征和语义特征输入判别器，通过度量学习的方法完成对抗过程；然后开始训练softmax分类器，将未见类图像的视觉特征输入视觉模态的变分自编码器中，利用生成的伪视觉特征和对应的标签训练分类器；在测试的时候，将未见类样本的真实视觉特征输入分类器进行分类，实现零样本图像分类任务。本发明可以实现在更加真实的场景中的分类任务，有利于推动零样本学习应用于生产生活实际，加速深度学习算法向实用发展。
一种基于编码对抗网络样本图像分类方法

[发明专利]一种面向人物交互的网络权重生成少样本图像分类方法-CN201910770529.4有效
发明人：冀中;安平 -专利权人：天津大学
申请日： 2019-08-20 - 公布日： 2023-04-18 - 主分类号： G06V10/764 文献下载
摘要：本发明的一种面向人物交互的网络权重生成少样本图像分类方法，考虑到人物交互图像数据集中的长尾问题，使用元学习框架，采用episodic训练策略，模拟了真实场景下少样本图像数据情况，减小图像数据分布差异，提高泛化能力，有效解决人物交互任务中图像分布不均的问题。引入标签的名词与动词的语义信息，生成任务级的特征提取网络功能参数对视觉特征进行加强。在训练过程中，不断地从获取不同的小样本任务，使用任务包含类别的语义与视觉融合信息将任务数据表示为一个任务特征，基于这个任务特征，通过参数生成器采样出一个针对当前这个任务的目标网络对应层的参数，关注到相关图像中人物的动作和物体区域，能够提高图像分类能力。
一种面向人物交互网络权重生成样本图像分类方法

[发明专利]一种基于三模态对抗网络的图文匹配方法-CN201910528838.0有效
发明人：冀中;林志刚;李晟嘉;庞彦伟 -专利权人：天津大学
申请日： 2019-06-18 - 公布日： 2023-04-18 - 主分类号： G06F18/22 文献下载
摘要：一种基于三模态对抗网络的图文匹配方法，在图文两模态的基础上，将高层图片特征和底层文本特征串联得到融合模态，以融合模态作为第三种模态，依次进行各个模态的分类约束和进行模态两两之间的对抗匹配约束，构成三模态对抗网络。本发明能够有效地进行图文匹配，能够有效提高图文匹配的性能，对于百度，谷歌等搜索引擎公司优化图文互搜精度起到积极作用。同时对于其他模态也有借鉴意义，比如对提高语音文本匹配性能，起到了重要的推动作用。
一种基于三模态对抗网络图文匹配方法

[发明专利]基于双判别生成对抗网络文本重构的零样本图像分类方法-CN201910675848.7有效
发明人：冀中;严江涛 -专利权人：天津大学
申请日： 2019-07-25 - 公布日： 2023-04-07 - 主分类号： G06V10/764 文献下载
摘要：一种基于双判别生成对抗网络文本重构的零样本图像分类方法：分别提取视觉特征和文本语义特征；构建图像与文本属性的联合匹配，得到双判别生成网络对抗文本重构模型；利用交叉熵度量合成视觉样本与训练图像视觉特征之间的相关度，将所述双判别生成网络对抗文本重构模型中的重构文本权重损失函数反向传播，即最小化合成视觉样本与训练图像视觉特征之间的重构文本权重损失函数；测试图像通过图像通道输入提取特征后，通过映射网络映射到公共空间；利用双判别生成网络对抗文本重构模型对样本图像进行分类。本发明能够有效对文本描述和其对应的图像进行最大程度匹配，发掘潜在信息，从而达到零样本分类的目的。
基于判别生成对抗网络文本样本图像分类方法

[发明专利]基于查询的无监督深度学习的多视频摘要方法-CN201910023842.1有效
发明人：冀中;张媛媛;庞彦伟 -专利权人：天津大学
申请日： 2019-01-10 - 公布日： 2023-04-07 - 主分类号： G06F16/738 文献下载
摘要：本发明涉及视频摘要处理，为提出一种能够结合视频的视觉信息和与主题相关的先验信息，利用受限玻尔兹曼机思想的多视频摘要方法，本发明基于查询的无监督深度学习的多视频摘要方法，首先对同一查询事件下的多视频进行镜头检测预处理获取候选关键帧；然后将融合的视频特征作为可见层H0输入到深层架构以构造具有隐藏层H1的多层受限玻尔兹曼机RBM，在第一层RBM进行两个不同的过程，包括：基于查询的初始权重设置和查询导向惩罚过程；随后通过低层参数自下而上连接到RBM网络的第二、三层；在基于深层体系结构的概念提取之后，通过更高层的隐藏层H3输出简洁且有意义的多视频摘要。本发明主要应用于视频摘要处理。
基于查询监督深度学习视频摘要方法

[发明专利]一种基于属性继承的图卷积网络零样本学习方法-CN202011147909.1有效
发明人：冀中;穆丽富;庞彦伟 -专利权人：天津大学
申请日： 2020-10-23 - 公布日： 2023-04-07 - 主分类号： G06F18/241 文献下载
摘要：本发明属于机器学习的技术领域，具体涉及一种基于属性继承的图卷积网络零样本学习方法，包括运用CNN网络提取样本图像的特征，将训练样本输入到GCN网络Gf(X)中，运用注意力机制A构建子类的语义表达，训练GCN网络Gs(Xs)，将测试样本先后输入到训练好的GCN网络Gf(X)和Gs(Xs)中，逐级地对测试样本进行分类，最终输出测试样本的子类标签。本发明使用属性特征构建语义空间，利用属性继承的图卷积网络方法学习关注样本层级之间的关系，更加全面地学习类间与类内的异同信息，从而更充分地考虑了样本层级间的异同，及充分地利用了所有样本之间的信息。
一种基于属性继承图卷网络样本学习方法

[发明专利]一种基于神经网络的生物生态系统的模拟方法-CN201810843096.6有效
发明人：冀中;李晟嘉 -专利权人：天津大学
申请日： 2018-07-27 - 公布日： 2023-04-07 - 主分类号： G06F30/27 文献下载
摘要：一种基于神经网络的生物生态系统的模拟方法：建立基于神经网络的生物生态系统的模拟方法的数据集，包括构成标签块、签子块1、标签子块2、初始块、初始子块1和初始子块2；将初始子块1输入到子网络1中，模拟生态系统对生物的影响；将初始块输入到子网络2中，模拟生物的种间影响；将初始子块2输入到子网络3中，模拟生物的种内影响；将相似度矩阵1，相似度矩阵2和相似度矩阵3按对应元素求平均，得到平均相似度矩阵，再将平均相似度矩阵的所有元素求平均，从而得到相似度分数。本发明输入的数据即是生物的原始细胞，神经网络的训练迭代的过程即是生物逐渐演变的过程而训练好的神经网络便是生物的生态系统。
一种基于神经网络生物生态系统模拟方法

[发明专利]一种基于双三元组深度度量学习网络的零样本分类方法-CN201910300850.6有效
发明人：冀中;汪海;庞彦伟 -专利权人：天津大学
申请日： 2019-04-15 - 公布日： 2023-04-07 - 主分类号： G06V40/10 文献下载
摘要：一种基于双三元组深度度量学习网络的零样本分类方法，将样本的语义特征输入到映射网络，输出到视觉空间。在视觉空间中，选择一对属于同一类别的语义特征和视觉特征构成正样本对，然后再选取一个与正样本对不同类别的语义特征，构成三元组，输入到语义引导的三元组网络；同时，选择一对属于同一类别的语义特征和视觉特征构成正样本对，然后再选取一个与正样本对不同类别的视觉特征，构成三元组，输入到视觉引导的三元组网络。最后将语义引导的三元组网络和视觉引导的三元组网络的输出，输入到双三元组损失函数中计算。最后使用最近邻分类器对测试样本进行分类。本发明结构实现简单，训练方法更加简单，训练参数较少，在计算机硬件设备较差的情形下仍能训练。
一种基于三元深度度量学习网络样本分类方法

[发明专利]基于自适应权重哈希循环对抗网络的零样本图像分类方法-CN201811158795.3有效
发明人：冀中;严江涛;庞彦伟 -专利权人：天津大学
申请日： 2018-09-30 - 公布日： 2023-03-31 - 主分类号： G06V10/764 文献下载
摘要：一种基于自适应权重哈希循环对抗网络的零样本图像分类方法：将训练样本的视觉特征和文本语义类别特征分别进行循环对抗网络映射，得到对应的哈希码；将各特征的哈希码进行权重分配，建立自适应权重哈希模型；对自适应权重哈希模型进行训练和测试；为拟合函数，对编码函数进行重新参数化；将视觉特征和文本语义类别特征的哈希码分别进行映射，得到对应的编码；将伯努利变量变量重新参数化；通过映射将哈希码转换为另一模态特征，再由循环一致性对抗网络的生成器，转换为原模态视觉或者语义特征，使得循环一致性损失达到最小，从而实现跨模态零样本分类。本发明实现了不同模态的特征和对应类别进行知识迁移，提高了信息嵌入特征的表征能力。
基于自适应权重循环对抗网络样本图像分类方法

[发明专利]基于多时态注意力模型的行人属性识别方法-CN201910699525.1有效
发明人：冀中;贺二路 -专利权人：天津大学
申请日： 2019-07-30 - 公布日： 2023-03-24 - 主分类号： G06V40/20 文献下载
摘要：一种基于多时态注意力模型的行人属性识别方法，包括：获取图像特征和属性特征；构造文本监督特征，是将图像特征和属性特征的两种组合结果进行融合，并级联属性特征作为属性监督；构造多时态注意力机制，是利用两个时刻的隐藏层向量构造注意力机制的对齐模型，然后共同对图像特征进行权重优化；将文本监督特征和上下文向量作为长短期记忆模型的额外输入，获得含有行人属性信息的隐藏层向量；获取行人属性识别概率；对行人属性识别概率进行优化。本发明能够快速且有效识别真实监控场景下的不同行人的属性，对其他深度学习领域，比如行人检索和行人重识别有重要的推动作用，此外对于建成平安城市和城市监控系统的完善也有很多积极作用。
基于多时注意力模型行人属性识别方法

1
2
3
4
5
6
下一页»
尾页
共 88 条