-
公开(公告)号：CN114549917A
公开(公告)日：2022-05-27
申请号：CN202210187405.5
申请日：2022-02-28
Applicant: 东南大学
IPC: G06V10/771 , G06V10/764 , G06V10/778 , G06V10/82 , G06V20/00 , G06V20/10 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种数据表征增强的点云分类方法，包括以下步骤：将点云数据样本通过特征提取主干网络获取全局特征；将全局特征输入映射头的前馈网络，根据输入样本的空间邻域关系设计正负样本对，计算特征的对比损失；计算每个样本分类预测向量对应的概率分布信息熵，获得基于信息熵注意力机制的样本加权系数；根据样本类别计算高维空间中簇距离的反相关系数，获得每个样本所属类别基于簇距离的负样本加权系数；经过上述加权调整的对比损失和分类损失相加，并进行参数优化。在实际预测中，将点云数据输入到优化后的模型中，输出点云分类结果。本发明能够增强点云数据的表征效果，有效提高点云识别的准确率。
-
公开(公告)号：CN118840723A
公开(公告)日：2024-10-25
申请号：CN202410870395.4
申请日：2024-07-01
Applicant: 东南大学
IPC: G06V20/56 , G06V10/40 , G06V10/764 , G06V10/762
Abstract: 本发明涉及一种结合自监督机制的未知域轨迹预测方法，所述方法包括以下步骤：(1)获取目标轨迹数据以及邻近目标轨迹数据、场景地图数据；(2)通过聚类算法提取轨迹的机动类型；(3)提取邻近目标轨迹及场景地图信息，(4)获得预测的机动类型标签；(5)获取预测的机动类型后，计算轨迹机动类型自监督子任务损失，(6)，获取终点后将轨迹终点与数据编码级联输入时序神经网络解码获得剩余其余点的轨迹，(7)模型损失计算，完成车辆未来轨迹预测。该方案利用聚类算法得到的轨迹机动类型解决不变性原理应用过程中的数据域划分问题，提升不变性原理的应用效果，提升模型进行未知域轨迹预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN112986925B
公开(公告)日：2024-03-12
申请号：CN202110136843.4
申请日：2021-02-01
Applicant: 东南大学
IPC: G01S7/36 , G06V10/762 , G06V10/764
Abstract: 本发明公开了一种基于图像特征的雷达脉冲序列分选方法，包括雷达脉冲序列预分选、主分选、后分选。预分选包括雷达脉冲序列数据可视化和频段分割；主分选包括基于图像特征的Hough线段聚类和DBSCAN聚类的综合应用；后分选包括基于脉冲重复间隔的再聚类和分选结果验证。本发明提出的雷达信号分选方法解决了传统分选方法过度依赖脉冲重复间隔的问题，适用于脉冲序列极多的复杂环境，系统鲁棒性强，分选精度高，提高了雷达侦察技术水平，对现代电子对抗具有重要意义。
-
公开(公告)号：CN110728357A
公开(公告)日：2020-01-24
申请号：CN201910888811.2
申请日：2019-09-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于循环神经网络的IMU数据去噪方法，先建立IMU数据时间序列样本数据集后搭建循环神经网络，训练优化得到权值文件；最后得到部署模型；本发明将时间序列预测方法引入微机械电子系统惯性测量单元（MEMS IMU）的测量数据中，通过将测量数据视为时间序列，设计了长短时记忆网络（LSTM）提取时间序列的非线性关系，以序列预测的方法达到去除噪声的效果。本发明与基于统计模型的传统去噪方法相比，算法拥有更好的鲁棒性与泛化能力，同时不会改变原始数据的随机性。本方法在惯性技术、组合导航等方面有着重要的应用价值。
-
公开(公告)号：CN114549917B
公开(公告)日：2024-04-16
申请号：CN202210187405.5
申请日：2022-02-28
Applicant: 东南大学
IPC: G06V10/771 , G06V10/764 , G06V10/778 , G06V10/82 , G06V20/00 , G06V20/10 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种数据表征增强的点云分类方法，包括以下步骤：将点云数据样本通过特征提取主干网络获取全局特征；将全局特征输入映射头的前馈网络，根据输入样本的空间邻域关系设计正负样本对，计算特征的对比损失；计算每个样本分类预测向量对应的概率分布信息熵，获得基于信息熵注意力机制的样本加权系数；根据样本类别计算高维空间中簇距离的反相关系数，获得每个样本所属类别基于簇距离的负样本加权系数；经过上述加权调整的对比损失和分类损失相加，并进行参数优化。在实际预测中，将点云数据输入到优化后的模型中，输出点云分类结果。本发明能够增强点云数据的表征效果，有效提高点云识别的准确率。
-
公开(公告)号：CN110728357B
公开(公告)日：2022-11-18
申请号：CN201910888811.2
申请日：2019-09-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于循环神经网络的IMU数据去噪方法，先建立IMU数据时间序列样本数据集后搭建循环神经网络，训练优化得到权值文件；最后得到部署模型；本发明将时间序列预测方法引入微机械电子系统惯性测量单元（MEMS IMU）的测量数据中，通过将测量数据视为时间序列，设计了长短时记忆网络（LSTM）提取时间序列的非线性关系，以序列预测的方法达到去除噪声的效果。本发明与基于统计模型的传统去噪方法相比，算法拥有更好的鲁棒性与泛化能力，同时不会改变原始数据的随机性。本方法在惯性技术、组合导航等方面有着重要的应用价值。
-
公开(公告)号：CN112986925A
公开(公告)日：2021-06-18
申请号：CN202110136843.4
申请日：2021-02-01
Applicant: 东南大学
Abstract: 本发明公开了一种基于图像特征的雷达脉冲序列分选方法，包括雷达脉冲序列预分选、主分选、后分选。预分选包括雷达脉冲序列数据可视化和频段分割；主分选包括基于图像特征的Hough线段聚类和DBSCAN聚类的综合应用；后分选包括基于脉冲重复间隔的再聚类和分选结果验证。本发明提出的雷达信号分选方法解决了传统分选方法过度依赖脉冲重复间隔的问题，适用于脉冲序列极多的复杂环境，系统鲁棒性强，分选精度高，提高了雷达侦察技术水平，对现代电子对抗具有重要意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
