-
公开(公告)号：CN110110769B
公开(公告)日：2021-03-02
申请号：CN201910331695.4
申请日：2019-04-24
Applicant: 长安大学
Abstract: 本发明公开了一种基于宽度径向基函数网络的图像分类方法，包括以下步骤：构建径向基函数网络；采用滑动窗口获得待处理图像的局部特征矩阵；通过宽度径向基函数网络对局部特征矩阵进行非线性变换，获得宽度径向基函数网络的输出数据；通过排序和下采样得到宽度径向基函数网络的高斯基函数输出，采用线性层权重对高斯基函数输出进行线性层连接，得到最终输出，即得到处理后的图像和训练后的宽度径向基函数网络。本发明采用滑动窗口获取待处理图像的局部特征，减少了隐藏层神经元个数，此外，采用排序和下采样的方式进一步减少了输出个数，解决了图像为尺寸较大时权值数指数增加的问题，从而可实现图像数据的高效分类。
-
公开(公告)号：CN109389177A
公开(公告)日：2019-02-26
申请号：CN201811253291.X
申请日：2018-10-25
Applicant: 长安大学
Abstract: 本发明实施例公开了一种基于协同级联森林的隧道车辆再识别方法该方法，包括：对隧道车辆图像集进行预处理；提取隧道车辆的颜色和纹理信息来表征车辆的视觉特征；构建协同级联森林模型，利用训练集内带有类别标签的车辆图像对的特征差分向量训练模型；输入待识别车辆图像与测试集内每幅车辆图像的特征差分向量，利用训练好的协同级联森林模型计算两车是同一辆的概率；按照概率大小进行排序，进而得到待识别图像的车辆再识别结果。本发明通过多层协同级联的随机森林和极端森林，能够充分利用隧道车辆的外观特征信息，从而提高车辆再识别的正确率。
-
公开(公告)号：CN105005989A
公开(公告)日：2015-10-28
申请号：CN201510374899.8
申请日：2015-06-30
Applicant: 长安大学
IPC: G06T7/00
CPC classification number: G06T2207/20081 , G06T2207/30248
Abstract: 本发明公开了一种弱对比度下的车辆目标分割方法，步骤1：对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；步骤2：将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。本发明的借鉴人类的视觉注意机制，结合基于图论的图像分割方法，建立一种基于视觉显著性特征的车辆目标分割模型，不仅能在良好环境条件下准确分割完整车辆，并且具有一定的适应性和鲁棒性，能在夜间环境、阴影遮挡情况下较为准确地分割出交通场景中的弱对比度车辆目标。
-
公开(公告)号：CN112966761B
公开(公告)日：2024-03-19
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
公开(公告)号：CN109389177B
公开(公告)日：2021-08-10
申请号：CN201811253291.X
申请日：2018-10-25
Applicant: 长安大学
Abstract: 本发明实施例公开了一种基于协同级联森林的隧道车辆再识别方法该方法，包括：对隧道车辆图像集进行预处理；提取隧道车辆的颜色和纹理信息来表征车辆的视觉特征；构建协同级联森林模型，利用训练集内带有类别标签的车辆图像对的特征差分向量训练模型；输入待识别车辆图像与测试集内每幅车辆图像的特征差分向量，利用训练好的协同级联森林模型计算两车是同一辆的概率；按照概率大小进行排序，进而得到待识别图像的车辆再识别结果。本发明通过多层协同级联的随机森林和极端森林，能够充分利用隧道车辆的外观特征信息，从而提高车辆再识别的正确率。
-
Patent Agency Ranking
公开(公告)号：CN112966761A
公开(公告)日：2021-06-15
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
公开(公告)号：CN112949528A
公开(公告)日：2021-06-11
申请号：CN202110269503.9
申请日：2021-03-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于时空重要性的隧道内车辆再识别方法，属于车辆检测领域。本方法首先利用图论对隧道路网进行建模，从而得到隧道路网拓扑图。训练时要在拓扑图上计算所有相邻节点之间的注意力系数，用于对样本对之间的相似度进行加权约束，从而提高再识别算法的精度。以训练集为候选集，从候选集中取样时，利用多示例学习的方式，将训练集划分为多个多示例包，利用多示例包的特征表示来涵盖每个示例的特征，这一采样方式缩小了候选图片的范围。本发明方法区别于传统车辆再识别方法，充分利用了隧道监控设备的时空分布信息对候选集图像进行约束，并缩短了再识别图像匹配所需时间，提高了监控图像不足够清晰时再识别算法的精度。
-
公开(公告)号：CN105869408B
公开(公告)日：2018-03-13
申请号：CN201610272791.2
申请日：2016-04-27
Applicant: 长安大学
Abstract: 本发明涉及一种汽车轮毂温度异常检测与预警方法及系统，系统包括监控摄像机、红外热像仪、控制主机及可变信息情报板。所述监控摄像机安装在道路上方，红外热像仪安装在路侧，可变信息情报板安置在监控摄像机下游；当车辆到达检测区域，监控摄像机和红外热像仪分别对车辆采集图像，并发送给控制主机；控制主机对监控摄像机所摄照片进行车牌识别；控制主机提取并融合热成像图像中轮毂的SBDD、HOG和LBP特征，再通过增量支持向量机分类判断其温度是否异常；当发现轮毂温度异常时，将车辆信息发送给可变信息情报板进行预警提示。本发明可有效对汽车轮毂温度异常进行检测并预警，从而避免刹车失灵、起火和爆胎等交通事故的发生。
-
公开(公告)号：CN113963024B
公开(公告)日：2024-11-29
申请号：CN202111227264.7
申请日：2021-10-21
Applicant: 长安大学
IPC: G06T7/246 , G06T7/215 , G06F16/9537 , G06F16/36
Abstract: 本发明涉及轨迹预测领域，具体涉及一种基于交通参与者之间关系表征的轨迹预测方法。本发明在以各参与者相对距离为特征向量的基础上，加入实例分割对不同参与者的活动范围进行区分，对同类和不同类参与者之间的时空关系进行建模，能够应用于真实复杂的交通环境，有效且强相关地包含了交通场景各个交通参与者的交互特征，提高了轨迹预测的准确性，也极大的促进了轨迹预测的实用性。
-
公开(公告)号：CN112966623B
公开(公告)日：2024-03-19
申请号：CN202110279067.3
申请日：2021-03-16
Applicant: 长安大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明属于人工智能和机器学习技术领域，公开了一种多层宽度神经网络及其训练方法和应用，可用高光谱遥感影像和普通图像分类任务。其每一层由滑动窗口的变换核进行非线性变换，向宽方向扩展以充分学习空间和频谱特征，并且引入了排序和下采样操作以减少该层的变换内核层的输出数量，每一层称为宽度滑动窗口和下采样层，即WSWS层，将多个WSWS层级联可以更大视野的更高级别的空间和光谱特征。该网络只需学习全连接层的权值，从而可以轻松的进行训练。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.016 seconds)
