您的检索：
学者姓名：王立春
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
本发明公开了一种无监督领域自适应语义分割方法，基于源域图像训练神经网络；利用已训练网络计算目标域图像伪标签；利用源域图像和有伪标签的目标域图像重训练网络，进一步提高伪标签准确性，优化网络的泛化能力。本方法通过利用自训练方法，利用已训练网络提取高置信度的目标域伪标签，弥补了目标域缺少监督信息的缺点，与其他方法相比，丰富了目标域数据的信息，提升网络对目标域数据的学习能力；本方法着重考虑了基于类别的域间差异，针对源域和目标域的预测进行类相关性度量，约束两个域的类相关性一致，减小了两个域类级别的域间差异，提高了网络的泛化能力，本发明的性能优于其他无监督领域自适应语义分割方法。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 王立春 , 高宁 , 王少帆 et al. 一种无监督领域自适应语义分割方法 : CN202110026447.6[P]. | 2021-01-08 . |
| MLA | 王立春 et al. "一种无监督领域自适应语义分割方法" : CN202110026447.6. | 2021-01-08 . |
| APA | 王立春 , 高宁 , 王少帆 , 孔德慧 , 李敬华 , 尹宝才 . 一种无监督领域自适应语义分割方法 : CN202110026447.6. | 2021-01-08 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于深度学习的多视角立体视觉三维场景重建方法，现有的基于深度学习的重建方法，通过提取图像最后一层的特征以生成3D代价体，没有很好地利用浅层特征，这将丢失不同尺度的信息。而且，这些方法在深度图细化时，只考虑了参考图像本身对深度细化的效果，忽略了相邻图像的深度对深度图预测的贡献。为了解决上述问题，我们提出了多尺度特征提取与融合网络以及基于帧间相关性的深度图细化网络，来提升场景的预测精度和完整性。与现有的基于深度学习的方法相比，我们的方法能够更好地学习输入图像的上下文特征，重建出目标场景被遮挡和缺失的区域，能够更完整地恢复场景的三维信息，实现高精度的三维场景重建。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 林瑞 , 王少帆 et al. 一种基于深度学习的多视角立体视觉三维场景重建方法 : CN202110072362.1[P]. | 2021-01-19 . |
| MLA | 孔德慧 et al. "一种基于深度学习的多视角立体视觉三维场景重建方法" : CN202110072362.1. | 2021-01-19 . |
| APA | 孔德慧 , 林瑞 , 王少帆 , 李敬华 , 王立春 . 一种基于深度学习的多视角立体视觉三维场景重建方法 : CN202110072362.1. | 2021-01-19 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
针对理工科课程在教学内容、方式上实施"润物细无声"式课程思政的难度,以计算机图形学为例,提出课程思政建设总体思路,在阐述具体课程思政建设过程及结果的基础上,凝练总体建设原则,给出一般化的理工科课程思政建设策略,为在理工科院校更广泛、更有效地开展课程思政建设提供思路。
关键词 ：
内涵与外延 内涵与外延 理工科课程思政建设 理工科课程思政建设 科学方法论 科学方法论 计算机图形学 计算机图形学 课程思政 课程思政
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 李敬华 , 王立春 et al. 基于计算机图形学教学实践的理工科课程思政建设研究 [J]. | 计算机教育 , 2021 , (09) : 15-18 . |
| MLA | 孔德慧 et al. "基于计算机图形学教学实践的理工科课程思政建设研究" . | 计算机教育 09 (2021) : 15-18 . |
| APA | 孔德慧 , 李敬华 , 王立春 , 张勇 , 孙艳丰 . 基于计算机图形学教学实践的理工科课程思政建设研究 . | 计算机教育 , 2021 , (09) , 15-18 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Sparse representation is a powerful tool in many visual applications since images can be represented effectively and efficiently with a dictionary. Conventional dictionary learning methods usually treat each training sample equally, which would lead to the degradation of recognition performance when the samples from same category distribute dispersedly. This is because the dictionary focuses more on easy samples (known as highly clustered samples), and those hard samples (known as widely distributed samples) are easily ignored. As a result, the test samples which exhibit high dissimilarities to most of intra-category samples tend to be misclassified. To circumvent this issue, this paper proposes a simple and effective hardness-aware dictionary learning (HADL) method, which considers training samples discriminatively based on the AdaBoost mechanism. Different from learning one optimal dictionary, HADL learns a set of dictionaries and corresponding sub-classifiers jointly in an iterative fashion. In each iteration, HADL learns a dictionary and a sub-classifier, and updates the weights based on the classification errors given by current sub-classifier. Those correctly classified samples are assigned with small weights while those incorrectly classified samples are assigned with large weights. Through the iterated learning procedure, the hard samples are associated with different dictionaries. Finally, HADL combines the learned sub-classifiers linearly to form a strong classifier, which improves the overall recognition accuracy effectively. Experiments on well-known benchmarks show that HADL achieves promising classification results.
关键词 ：
AdaBoost AdaBoost Boosting Boosting classification classification Dictionaries Dictionaries dictionary learning dictionary learning Face recognition Face recognition Sparse representation Sparse representation Task analysis Task analysis Training Training Visualization Visualization
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Wang, Lichun , Li, Shuang , Wang, Shaofan et al. Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition [J]. | IEEE TRANSACTIONS ON MULTIMEDIA , 2021 , 23 : 2857-2867 . |
| MLA | Wang, Lichun et al. "Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition" . | IEEE TRANSACTIONS ON MULTIMEDIA 23 (2021) : 2857-2867 . |
| APA | Wang, Lichun , Li, Shuang , Wang, Shaofan , Kong, Dehui , Yin, Baocai . Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition . | IEEE TRANSACTIONS ON MULTIMEDIA , 2021 , 23 , 2857-2867 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于出租车OD数据的非常态居民出行模式挖掘方法属于智能交通和数据挖掘领域。为了能够更好的挖掘出租车乘客出行规律，同时更深入的挖掘居民出行中存在的非常态模式，本发明提出了一种基于高维度稀疏张量分解的方法，即通过组织包括时间、经纬度、功能区属性等多维度信息为张量模型，对其进行低秩稀疏分解。为此，需要解决的关键技术问题包括：对研究区域划分功能区并把对应数据归到相应功能区内；组织时间、经纬度、功能区属性等对应数据构成张量模型；对张量模型做低秩稀疏分解，分别提取低秩模型和稀疏模型并做Tucker分解；对分解得到的基底矩阵做可视化，直观的展现乘客出行模式。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 王立春 , 张彬 , 王少帆 et al. 基于出租车OD数据的非常态居民出行模式挖掘方法 : CN202110120448.7[P]. | 2021-01-28 . |
| MLA | 王立春 et al. "基于出租车OD数据的非常态居民出行模式挖掘方法" : CN202110120448.7. | 2021-01-28 . |
| APA | 王立春 , 张彬 , 王少帆 , 孔德慧 , 尹宝才 . 基于出租车OD数据的非常态居民出行模式挖掘方法 : CN202110120448.7. | 2021-01-28 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Multi-view human action recognition remains a challenging problem due to large view changes. In this article, we propose a transfer learning-based framework called transferable dictionary learning and view adaptation (TDVA) model for multi-view human action recognition. In the transferable dictionary learning phase, TDVA learns a set of view-specific transferable dictionaries enabling the same actions from different views to share the same sparse representations, which can transfer features of actions from different views to an intermediate domain. In the view adaptation phase, TDVA comprehensively analyzes global, local, and individual characteristics of samples, and jointly learns balanced distribution adaptation, locality preservation, and discrimination preservation, aiming at transferring sparse features of actions of different views from the intermediate domain to a common domain. In other words, TDVA progressively bridges the distribution gap among actions from various views by these two phases. Experimental results on IXMAS, ACT4(2), and NUCLA action datasets demonstrate that TDVA outperforms state-of-the-art methods.
关键词 ：
Action recognition Action recognition multi-view multi-view sparse representation sparse representation transfer learning transfer learning
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Sun, Bin , Kong, Dehui , Wang, Shaofan et al. Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition [J]. | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA , 2021 , 15 (2) . |
| MLA | Sun, Bin et al. "Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition" . | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA 15 . 2 (2021) . |
| APA | Sun, Bin , Kong, Dehui , Wang, Shaofan , Wang, Lichun , Yin, Baocai . Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition . | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA , 2021 , 15 (2) . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种融合多尺度邻域信息的三维几何模型形状映射方法，通过以下技术方案实现。输入为源形状和目标形状的网格模型。首先分别提取源形状和目标形状的拉普拉斯矩阵的特征向量作为特征函数。接下来对三维模型的顶点提取邻域特征。在多个尺度的邻域范围内，可以得到多个不同的邻域特征，并使用求解得到不同尺度下的基函数空间下的映射矩阵，然后进行融合。最后还原得到源形状与目标形状的点对点映射关系。相比于现有技术，本发明首先使对顶点提取邻域特征，邻域特征对形状间的非刚体映射有更强的鲁棒性。形状映射过程中，能够有效保持局部不变性。其次，本发明能够对不同尺度的邻域信息进行融合，使得不同尺度的特征进行互补。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 孙文胜 , 王少帆 et al. 一种融合多尺度邻域信息的三维几何模型形状映射方法 : CN202010155747.X[P]. | 2020-03-09 . |
| MLA | 孔德慧 et al. "一种融合多尺度邻域信息的三维几何模型形状映射方法" : CN202010155747.X. | 2020-03-09 . |
| APA | 孔德慧 , 孙文胜 , 王少帆 , 王立春 , 尹宝才 . 一种融合多尺度邻域信息的三维几何模型形状映射方法 : CN202010155747.X. | 2020-03-09 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于RGB数据的单视角和多视角三维重建方法及装置，能够充分利用输入图像的个性特征和其属于特定类别的共性特征，以及物体自身的几何信息来增强三维重建效果，能够获得高精度的三维重建结果。方法包括：(1)融合输入视角的个性化特征和其所属类别的共性化特征，重建得到初始化的三维体素；(2)在初始化的三维体素基础上，利用体素在特定视角下的先验对称性和本身具有的内部上下文依赖关系指导体素注意力图结构的构建，基于体素注意力图结构，利用多尺度图卷积对初始体素进行细化处理。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 高俊娜 , 王少帆 et al. 一种基于RGB数据的单视角和多视角三维重建方法及装置 : CN202011281969.2[P]. | 2020-11-17 . |
| MLA | 孔德慧 et al. "一种基于RGB数据的单视角和多视角三维重建方法及装置" : CN202011281969.2. | 2020-11-17 . |
| APA | 孔德慧 , 高俊娜 , 王少帆 , 李敬华 , 王立春 . 一种基于RGB数据的单视角和多视角三维重建方法及装置 : CN202011281969.2. | 2020-11-17 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Matrix-variate Restricted Boltzmann Machine (MVRBM), a variant of Restricted Boltzmann Machine, has demonstrated excellent capacity of modelling matrix variable. However, MVRBM is still an unsupervised generative model, and is usually used to feature extraction or initialization of deep neural network. When MVRBM is used to classify, additional classifiers must be added. In order to make the MVRBM itself be supervised, in this paper, we propose improved MVRBMs for classification, which can be used to classify 2D data directly and accurately. To this end, on one hand, classification constraint is added to MVRBM to get Matrix-variate Restricted Boltzmann Machine Classification Model (ClassMVRBM). On the other hand, fisher discriminant analysis criterion for matrix-style variable is proposed and applied to the hidden variable, therefore, the extracted feature is more discriminative so as to enhance the classification performance of ClassMVRBM. We call the novel model Matrix-variate Restricted Boltzmann Machine Classification Model with Fisher discriminant analysis (ClassMVRBM-MVFDA). Experimental results on some publicly available databases demonstrate the superiority of the proposed models. Of which, the image classification accuracy of ClassMVRBM is higher than conventional unsupervised RBM, its variants and supervised Restricted Boltzmann Machine Classification Model (ClassRBM) for vector variable. Especially, the image classification accuracy of the proposed ClassMVRBM-MVFDA performs better than supervised ClassMVRBM and vectorial RBM-FDA.
关键词 ：
ClassMVRBM ClassMVRBM ClassMVRBM-MVFDA ClassMVRBM-MVFDA MVRBM MVRBM RBM RBM
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Li, Jinghua , Tian, Pengyu , Kong, Dehui et al. Discriminative matrix-variate restricted Boltzmann machine classification model [J]. | WIRELESS NETWORKS , 2020 , 27 (5) : 3621-3633 . |
| MLA | Li, Jinghua et al. "Discriminative matrix-variate restricted Boltzmann machine classification model" . | WIRELESS NETWORKS 27 . 5 (2020) : 3621-3633 . |
| APA | Li, Jinghua , Tian, Pengyu , Kong, Dehui , Wang, Lichun , Wang, Shaofan , Yin, Baocai . Discriminative matrix-variate restricted Boltzmann machine classification model . | WIRELESS NETWORKS , 2020 , 27 (5) , 3621-3633 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于注意力机制的多视角图像三维重建方法，用于解决多视角重建时特征采样局限于规则格点，且融合时无法有效融合互补视角中的特征的问题。本发明分为编码层，重心约束距离的注意力聚合模块以及解码层，具体为：将含有N张图片的图像集通过编码层得到N个元素的深度特征集P；将该特征集输入重心约束距离的注意力聚合模块，输出融合特征y′，y′经解码层的反卷积运算即生成预测的三维模型Y′，通过最小化总的重建损失得到最接近真实三维模型(GT)的预测结果。本发明采用可变形卷积的思想，使用带有偏移量的卷积核进行卷积操作，实现动态自适应地调整卷积运算的感受野，具有提升特征提取质量的优点；同时，在注意力聚集模块里引入重心约束项，使聚集特征以重心距离约束的形式保持输入特征集中权重各异特征的权相关影响，平衡融合特征与各输入特征的偏差，从而得到更好的多视图融合特征，进一步提升模型重建结果。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 虞义兰 , 王少帆 et al. 一种基于注意力机制的多视角图像三维重建方法 : CN202010205875.0[P]. | 2020-03-23 . |
| MLA | 孔德慧 et al. "一种基于注意力机制的多视角图像三维重建方法" : CN202010205875.0. | 2020-03-23 . |
| APA | 孔德慧 , 虞义兰 , 王少帆 , 李敬华 , 王立春 . 一种基于注意力机制的多视角图像三维重建方法 : CN202010205875.0. | 2020-03-23 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
