-
公开(公告)号：CN112330719B
公开(公告)日：2024-02-27
申请号：CN202011392635.2
申请日：2020-12-02
Applicant: 东北大学
IPC: G06T7/246 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。(56)对比文件Chuanhao Li等.Partial tracking methodbased on siamese network《.VISUALCOMPUTER》.2020,第37卷(第3期),587–601.
-
公开(公告)号：CN102073732A
公开(公告)日：2011-05-25
申请号：CN201110020156.2
申请日：2011-01-18
Applicant: 东北大学
IPC: G06F17/30
Abstract: 本发明提供了一种事件序列上挖掘最小发生频繁情节的方法，通过对低阶频繁情节进行逐级的延伸直接生成高阶频繁情节。本发明提供的发现情节的最小发生并对其进行计数的方法，通过建立情节矩阵并在矩阵元素上设置相应的修改状态发现2-情节的最小发生并实现计数，通过对频繁的2-情节进行基于时间戳队列的延伸来发现k-情节(k>2)的最小发生并实现计数。本发明提供的基于相同结点链和哈希链建立情节树的情节挖掘方法，节省了情节延伸的时间和所占用的内存空间，在挖掘过程中，只需扫描数据一次，无需生成候选情节集合，挖掘效率高，占用内存空间少，并具有挖掘时间成本不随频繁数阈值明显变化的良好特性，可被扩展到事件流上的情节挖掘。
-
公开(公告)号：CN118298092A
公开(公告)日：2024-07-05
申请号：CN202410527106.0
申请日：2024-04-29
Applicant: 东北大学
Abstract: 本发明提供一种基于空间渐进式神经辐射场的新视角合成方法，涉及计算机图形学技术领域。包括以下几个阶段：数据读入与处理；相机校准；生成相机射线，进行离散点采样；构建分布采样位置编码(DSPE)，划分位置编码子集；搭建由DSPE引导的用于颜色预测的网络模型，将训练数据输入到模型中进行训练；测试阶段，独立使用任一层级网络结构进行新视角合成。构建的由DSPE引导的递进式残差网络，通过由不同带宽的位置编码引导特定层级的残差学习场景中不同频率的内容，能够为神经辐射场提供增量细节；利用DSPE，限制每个MLP能够访问的位置编码的范围，实现了能够灵活适应不同频谱的信息的目的，也有效的减少了模型的训练时间。
-
-
-
Patent Agency Ranking
公开(公告)号：CN111125428B
公开(公告)日：2021-11-05
申请号：CN201911301847.2
申请日：2019-12-17
Applicant: 东北大学
IPC: G06F16/735 , G06F16/9535
Abstract: 本发明提供一种基于评分预测函数拟合结构的时间相关电影推荐方法，涉及计算机推荐技术领域。该方法包括离线建立推荐模型和基于建立的推荐模型生成的数据文件进行在线推荐两部分；首先对用于电影推荐的数据集中的数据进行预处理，建立用户‑电影评分矩阵，并提取电影的评分特征和电影的海报特征作为电影特征；计算用于电影推荐的电影间的相似度，得到电影间的相似度矩阵；然后构建时间相关的电影评分预测函数及其拟合结构，通过训练评分预测函数拟合结构，求解用户相关的时间权重因子，完成推荐模型的建立；最后基于建立的推荐模型生成的数据文件为待推荐用户计算预测评分并产生推荐结果集，将推荐结果集输出并推荐给用户。
-
公开(公告)号：CN112330719A
公开(公告)日：2021-02-05
申请号：CN202011392635.2
申请日：2020-12-02
Applicant: 东北大学
Abstract: 基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。
-
公开(公告)号：CN102291463B
公开(公告)日：2014-01-29
申请号：CN201110238283.X
申请日：2011-08-19
Applicant: 东北大学
IPC: H04L29/08
Abstract: 本发明涉及可分布式技术领域，特别是一种基于新兴古典经济理论中的超边际分析和博弈理论资源分配方法。本发明包括以下步骤：确定任务的比较优势节点；判定节点序列的状态；对满足条件的节点序列采用博弈超边际分析机制；所述博弈超边际分析机制的流程为：输入节点的比较优势任务矩阵T，并输入节点的网络条件矩阵K；确定进行超边际分析的节点序列；根据节点序列在K中的对应值，判断节点间选择的分配模式。本发明通过超边际分析确定了角点解，缩小了解空间，控制了空间爆炸的现象；引入新兴古典经济理论，令节点成为资源提供者和使用者的统一体，使原本资源提供者和使用者分离导致有些状态无法分析的情况得以解决；最终使系统达到帕累托最优，即全局效用最大化，实现了最大化系统效用的目标。
-
公开(公告)号：CN102339256A
公开(公告)日：2012-02-01
申请号：CN201110273822.3
申请日：2011-09-15
Applicant: 东北大学
IPC: G06F12/12
Abstract: 一种基于IMF内外存置换策略的复杂事件检测方法，该方法在用户未终止检测过程时，不断地扫描事件流，读取当前事件，构建、修改对象统计表，并根据当前事件的类型进行不同的处理。若当前事件为末端事件，则触发复杂事件检测过程，并将检测出的满足用户定义模式的序列输出；若当前事件为非末端事件且内存配额未满，则基于对象树及其索引进行事件实例的内存存储；若当前事件为非末端事件且内存配额已满，则基于IMF策略进行事件实例的内外存置换，并与事件实例位示图相关联进行置换对象的各事件实例的外存存储。该方法可有效支持大时间尺度的复杂事件检测，并具有空间利用和处理时间的高效性。
-
公开(公告)号：CN119963715A
公开(公告)日：2025-05-09
申请号：CN202510033574.7
申请日：2025-01-09
Applicant: 东北大学
IPC: G06T15/50 , G06T17/00 , G06V10/774
Abstract: 本发明提供一种基于递进式网格细化的神经辐射场重打光方法，涉及计算机图形学和新视角合成技术领域，本方法采用分辨率逐步递进的网格结构，并结合频率编码技术，通过多层感知器、对每一层网格进行特征提取，逐层细化场景的三维结构与光照信息。具体地，低分辨率网格与低频编码结合，高分辨率网格与高频编码结合，通过残差连接有效增强了不同尺度下的特征表达能力，优化场景的重打光效果并提高渲染图像的细节和清晰度。该方法训练过程高效，能够在消费级显卡上实现快速训练和推理，具有良好的可扩展性，广泛适用于虚拟现实、增强现实、自动驾驶等多种环境感知任务，具备广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
