-
公开(公告)号：CN109919974B
公开(公告)日：2023-07-14
申请号：CN201910129845.3
申请日：2019-02-21
Applicant: 上海理工大学
Abstract: 本发明公开了一种基于R‑FCN框架多候选关联的在线多目标跟踪方法，本方法首先对于每帧中目标建立候选选择模型，筛选出没有冗余的最佳候选框；其次，融合目标外观信息、目标尺度信息和目标运动信息等多种特征信息作为数据关联的匹配代价；通过匈牙利算法并利用计算的匹配代价对相邻帧中轨迹和目标候选框进行数据关联，并完成对跟踪轨迹的更新；最后利用RANSAC算法确定的直线方程对存在的跟踪轨迹进行优化得到目标最终的跟踪轨迹。本方法克服了检测器检测结果的可靠性问题，减少了目标漏检和检测漂移对跟踪轨迹的影响，对复杂跟踪场景具有较好的鲁棒性。
-
公开(公告)号：CN109740741A
公开(公告)日：2019-05-10
申请号：CN201910017601.6
申请日：2019-01-09
Applicant: 上海理工大学
Abstract: 本发明公开了一种结合知识转移的强化学习方法，步骤如下：S1、设计BP神经网络自主任务间映射关系；S2、对源任务学习经验进行案例存储，并构建线性感知器来学习源域和目标域之间的动作映射关系；S3、运用基于案例推理机理；S4、进行相似度计算与案例检索,并运用所学到的案例库中的经验作为启发式来加速相关但不同任务的学习；及其应用于无人车自主技能的学习方法；本发明结合强化学习与迁移学习的优势，可实现机器人从简单领域或源域获得的经验通过迁移加速应用到复杂领域或目标域中；学习速度快，可避免维数灾难；显著的提高了无人车自主技能学习的速度和效率。
-
公开(公告)号：CN109919974A
公开(公告)日：2019-06-21
申请号：CN201910129845.3
申请日：2019-02-21
Applicant: 上海理工大学
Abstract: 本发明公开了一种基于R-FCN框架多候选关联的在线多目标跟踪方法，本方法首先对于每帧中目标建立候选选择模型，筛选出没有冗余的最佳候选框；其次，融合目标外观信息、目标尺度信息和目标运动信息等多种特征信息作为数据关联的匹配代价；通过匈牙利算法并利用计算的匹配代价对相邻帧中轨迹和目标候选框进行数据关联，并完成对跟踪轨迹的更新；最后利用RANSAC算法确定的直线方程对存在的跟踪轨迹进行优化得到目标最终的跟踪轨迹。本方法克服了检测器检测结果的可靠性问题，减少了目标漏检和检测漂移对跟踪轨迹的影响，对复杂跟踪场景具有较好的鲁棒性。
-
公开(公告)号：CN109740741B
公开(公告)日：2023-07-25
申请号：CN201910017601.6
申请日：2019-01-09
Applicant: 上海理工大学
Abstract: 本发明公开了一种结合知识转移的强化学习方法，步骤如下：S1、设计BP神经网络自主任务间映射关系；S2、对源任务学习经验进行案例存储，并构建线性感知器来学习源域和目标域之间的动作映射关系；S3、运用基于案例推理机理；S4、进行相似度计算与案例检索,并运用所学到的案例库中的经验作为启发式来加速相关但不同任务的学习；及其应用于无人车自主技能的学习方法；本发明结合强化学习与迁移学习的优势，可实现机器人从简单领域或源域获得的经验通过迁移加速应用到复杂领域或目标域中；学习速度快，可避免维数灾难；显著的提高了无人车自主技能学习的速度和效率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
