-
公开(公告)号：CN112861705B
公开(公告)日：2022-07-05
申请号：CN202110158298.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。
-
公开(公告)号：CN113360601A
公开(公告)日：2021-09-07
申请号：CN202110646495.5
申请日：2021-06-10
Applicant: 东北林业大学
IPC: G06F16/33 , G06F16/34 , G06F40/242 , G06N3/08
Abstract: 本发明涉及一种融合主题的PGN‑GAN摘要生成方法，为了能够生成更加贴近主题信息和源文本的摘要，本发明在指针生成网络的基础上尝试融入了LDA主题模型，并将主题信息融入到结合指针网络和GAN的序列到序列模型中，该模型将利用主题来模拟人类的先验知识，从而使摘要更多的结合主题生成，在获得主题词向量后与上下文共同合成新向量来影响文本的生成。本发明提出的加入了生成对抗网络的指针生成网络模型结果较其他生成的摘要更加通顺，同时因为主题信息的引入，更加贴近原文的含义。
-
公开(公告)号：CN112966647A
公开(公告)日：2021-06-15
申请号：CN202110319273.2
申请日：2021-03-25
Applicant: 东北林业大学
Abstract: 本发明提出一种基于聚类的无监督模型，使用逐层聚类的方法提高模型在目标域生成的伪标签的质量，并利用生成对抗网络生成辅助样本增强模型对于环境的鲁棒性，以此来形成在开放世界中具有高辨别力的行人重识别模型。其包括以下步骤：1：使用一种逐层聚类的方法，逐渐对提取出的特征向量进行聚合，为置信度较高的簇设置伪标签，并将带伪标签的目标域样本进行监督学习；步骤2：利用生成对抗网络生成跨摄像机的目标域辅助样本，并将其加入到目标域数据中参与聚类迭代以及模型损失优化；步骤3：在辅助样本加入后，结合三元组损失以及交叉熵损失对模型进行分阶段调整，提高模型稳定性。
-
公开(公告)号：CN112488147A
公开(公告)日：2021-03-12
申请号：CN202011203052.0
申请日：2020-11-02
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于对抗网络的冗余去除主动学习方法。包括如下步骤：1：把标记数据和未标记数据输入到表示生成器中，表示生成器为每个样本生成特征表示；2：鉴别器在损失预测模块的指导下预测未标记样本的状态值；3：把未标记样本依据预测值的降序排列为[x1,x2,x3,…]，然后把此序列输入到冗余去除模块进行样本选择，最终得到需要标记的样本组合，在每次迭代结束后，对任务模型和整个主动学习模型进行更新训练。本发明在主动学习模型中设置了对抗学习机制，使生成特征表示的生成器与状态鉴别器进行对抗训练。本发明还设计了冗余去除模块，其以判别器预测的状态值为基础，依据特征距离去除冗余样本，以减少人工标记成本。
-
公开(公告)号：CN111199248A
公开(公告)日：2020-05-26
申请号：CN201911363342.9
申请日：2019-12-26
Applicant: 东北林业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度学习目标检测算法的服装属性识别检测方法，通过对原始服装图像进行标注和分类，获取服装的属性，如：袖子、领子等，然后对服装图片进行翻转、平移等预处理，再予以基于深度学习的目标检测算法对服装属性进行识别检测。所述对服装图片进行预处理是指对图片服装属性的位置进行标注并对其进行分类，然后使用传统图像算法对图片进行翻转和平移等预处理达到数据增广的效果。所述基于深度学习的目标检测算法的服装属性识别检测方法是首先使用深度卷积神经网络对服装属性特征进行充分提取，然后使用目标检测算法特征金字塔对多层特征进行融合，最后使用全卷积神经网络对服装属性进行识别和检测。本发明能够达到90％的识别准确率和82％的检测精度，鲁棒性和泛化能力强，可适用于计算机视觉领域中的服装属性识别和检测。
-
Patent Agency Ranking
公开(公告)号：CN108062068A
公开(公告)日：2018-05-22
申请号：CN201610971566.8
申请日：2016-11-07
Applicant: 东北林业大学
IPC: G05B19/05
CPC classification number: G05B19/05
Abstract: 本发明涉及一种炭化机的控制系统，该系统适用于炭化木加工，可以实现对不同木材炭化过程的全自动控制，由一下位机控制器、一上位机监控系统、一检测系统、一执行机构系统组成。上位机监控系统通过RS485串口连接到下位机控制器的通讯端，与下位机进行信息传递，并完成相应信号的处理，人机交互界面同时可以进行实时数据显示，对炭化机内木材的含水率、介质中温度和湿度、平衡含水率等变化进行远程控制和监视。该检测系统即传感器装置与下位机控制器输入端相连接，将检测到的各种数据信号传送到下位机控制器；执行机构连接到下位机控制器的信号输出端，执行一系列的动作。通过该控制系统实现了对木材炭化的自动控制。
-
公开(公告)号：CN112861705A
公开(公告)日：2021-05-28
申请号：CN202110158298.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。
-
公开(公告)号：CN112699900A
公开(公告)日：2021-04-23
申请号：CN202110005171.3
申请日：2021-01-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种改进YOLOv4的交通标志识别方法。通过对实验数据集进行添加随机高斯噪声、CutMix数据增强和马赛克数据增强等数据预处理方法对数据集进行扩充，再利用改进的YOLOv4模型识别出交通标志及其置信度。所述改进的YOLOv4模型是首先在引入深度可分离卷积的特征提取网络进行特征提取，然后将获得的不同尺度特征图输入双向特征金字塔网络结构进行多尺度特征融合，融合不同尺度特征信息并增强相同尺度信息，最后对不同大小特征图进行预测与回归获得最终识别结果。改进的YOLOv4模型利用Focal损失函数使识别过程中正负样本数量不均衡问题得以解决。实验表明，改进的YOLOv4模型参数量与计算量较小，推理时间短，能够快速准确地识别出不同环境下的交通标志。
-
公开(公告)号：CN106802683A
公开(公告)日：2017-06-06
申请号：CN201510835933.7
申请日：2015-11-26
IPC: G05D27/02
CPC classification number: G05D27/02
Abstract: 本发明涉及一种干燥机的控制系统，该系统适用于木材干燥方法类，由一主控单元、一电力源、一传感器系统、一执行机构系统、一上位机系统组成，上位机系统通过RS485接线方式连接到主控单元通讯端，与主控单元进行信息传递，并完成一小部分信号的处理，人机交互界面同时可以进行实时数据显示，对干燥机中各种变化进行监视；电力源分别与主控单元及执行机构相连接，以提供电力；该传感器系统与主控单元输入端相连接，将检测的各种信号传送到主控单元；主控单元根据寄存器中数据进行大部分信号处理与计算；执行机构连接到主控单元的信号输出端，执行一系列动作，以达到对不同木材干燥过程的自动控制的目的。
-
公开(公告)号：CN113962885B
公开(公告)日：2024-05-28
申请号：CN202111194916.1
申请日：2021-10-14
Applicant: 东北林业大学
IPC: G06T5/77 , G06T5/90 , G06T7/73 , G06T5/60 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提出HR‑CycleGAN(Highlight Reduction‑CycleGAN)网络进行图像高光处理，利用风格迁移中常用的CycleGAN网络来对图像的高光区域进行修复，并改进其网络结构，添加了部分局部判别器，提高对人脸高光常见区域的高光修复效果。此外，本发明在网络中加入了亮度参数来控制生成图像亮度状况。本发明主要分为三部分，第一部分通过目标检测与模糊逻辑划分高光区域；第二部分对HR‑CycleGAN网络进行迭代训练，其中使用多个判别器对生成图像进行鉴别，提高生成图像的质量以及细节丰富度；并引入亮度信息损失函数，有效控制生成图像的高光溢出状况，达到高光去除的效果。本发明较其他改善高光溢出的图像处理方法各方面都得到了极大的提高，尤其在图像质量方面提高显著。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.034 seconds)
