-
公开(公告)号:CN111539989B
公开(公告)日:2023-09-22
申请号:CN202010312961.1
申请日:2020-04-20
Applicant: 北京交通大学
IPC: G06T7/246 , G06N3/0464 , G06N3/09 , G06N3/092
Abstract: 本发明提供了一种基于优化方差下降的计算机视觉单目标跟踪方法。该方法包括:根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型,对深度神经网络模型进行监督训练,根据训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型;利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪,得到跟踪目标的预测位置和尺度;根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新,进行下一帧的目标跟踪,直至跟踪结束。本发明的方法不仅运算速度更快,而且具有更稳定的模型探索能力,在绝大多数复杂场景下都能够达到更鲁棒的、高质量的目标跟踪效果。
-
公开(公告)号:CN115346146A
公开(公告)日:2022-11-15
申请号:CN202110527685.5
申请日:2021-05-14
Applicant: 腾讯科技(深圳)有限公司 , 北京交通大学
IPC: G06V20/40 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08 , G08G1/01 , G08G1/065
Abstract: 本申请涉及一种交通流量预测方法、装置、计算机设备和存储介质。方法包括:获取在至少一个交通检测点分别采集的交通视频;对于每一交通视频所包括的多个历史时刻的交通图像,确定交通图像包括的每一类交通对象的数量特征、交通图像的流量特征和交通图像特征;对于每帧交通图像,分别将相应交通图像所对应的数量特征、流量特征和交通图像特征进行融合,得到与相应交通图像对应的交通特征向量;基于至少一个交通检测点在相同历史时刻的交通图像所对应的交通特征向量,生成相应历史时刻的交通流量图;根据各个历史时刻分别对应的交通流量图,确定至少一个交通检测点的预测交通流量。采用本方法能够更准确地确定至少一个交通检测点的预测交通流量。
-
公开(公告)号:CN111539989A
公开(公告)日:2020-08-14
申请号:CN202010312961.1
申请日:2020-04-20
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于优化方差下降的计算机视觉单目标跟踪方法。该方法包括:根据单目标跟踪问题设计基于非凸优化的随机方差下降梯度的深度神经网络模型,对深度神经网络模型进行监督训练,根据训练好的深度神经网络模型使用基于回归动作奖励函数的强化学习方法训练表观模型与运动模型;利用训练好的表观模型、运动模型和深度神经网络模型对当前环境下的单目标进行跟踪,得到跟踪目标的预测位置和尺度;根据当前跟踪目标的位置和目标特征进行表观模型以及运动模型更新,进行下一帧的目标跟踪,直至跟踪结束。本发明的方法不仅运算速度更快,而且具有更稳定的模型探索能力,在绝大多数复杂场景下都能够达到更鲁棒的、高质量的目标跟踪效果。
-
公开(公告)号:CN111508000B
公开(公告)日:2024-02-09
申请号:CN202010290926.4
申请日:2020-04-14
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于参数空间噪声网络的深度强化学习目标跟踪方法。该方法包括:构建基于深度强化学习的目标跟踪模型,设计基于参数空间噪声线性层的网络损失函数,通过目标跟踪模型对目标进行视频序列中的逐帧跟踪,输出跟踪得到的当前帧的目标位置;通过贪心算法选择最优的模型更新模式,根据最优的模型更新模式利用网络损失函数对当前的目标跟踪模型进行参数更新;基于当前帧的目标位置通过更新后的目标跟踪模型进行下一帧的目标跟踪,重复执行上述处理过程,直至完成全部帧的目标跟踪,输出目标在视频序列中完整的位置信息。本发明的方法运算速度更快,具有更好的可迁移性和鲁棒性,在复杂场景下都能够达到更高效、鲁
-
公开(公告)号:CN114841257A
公开(公告)日:2022-08-02
申请号:CN202210421310.5
申请日:2022-04-21
Applicant: 北京交通大学
IPC: G06K9/62 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于自监督对比约束下的小样本目标检测方法。该方法包括:将小样本目标检测问题建模成一个基于自监督学习的数学优化问题,构建对数据扰动敏感的小样本目标检测模型;设计小样本目标检测模型的优化目标函数;基于优化目标函数使用深度学习更新过程对小样本目标检测模型进行训练,得到训练好的小样本目标检测模型,利用训练好的小样本目标检测模型对待检测的小样本进行目标检测。本发明以两阶段学习过程为基础,使用迁移学习对领域知识进行学习,并在小样本数据集上进行模型微调。实验结果证明,本发明在PASCAL‑VOC公开数据集上取得了良好的性能,可以有效提高模型在小样本目标检测问题上的性能,具有较强的实际应用意义。
-
公开(公告)号:CN111967358B
公开(公告)日:2021-08-31
申请号:CN202010778327.7
申请日:2020-08-05
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于注意力机制的步态识别方法,包括以下步骤:从基准数据集中分割出训练集和测试集;通过未嵌入注意力机制的步态提取模型预训练网络,以此来使得模型对人体步态有好的适应性;在网络中嵌入时域和空域注意力机制模块,并加载预训练的网络模型参数;重新运用数据集训练基于注意力机制的步态识别特征提取模型,以此可以获得较好的步态识别结果。
-
公开(公告)号:CN111508000A
公开(公告)日:2020-08-07
申请号:CN202010290926.4
申请日:2020-04-14
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于参数空间噪声网络的深度强化学习目标跟踪方法。该方法包括:构建基于深度强化学习的目标跟踪模型,设计基于参数空间噪声线性层的网络损失函数,通过目标跟踪模型对目标进行视频序列中的逐帧跟踪,输出跟踪得到的当前帧的目标位置;通过贪心算法选择最优的模型更新模式,根据最优的模型更新模式利用网络损失函数对当前的目标跟踪模型进行参数更新;基于当前帧的目标位置通过更新后的目标跟踪模型进行下一帧的目标跟踪,重复执行上述处理过程,直至完成全部帧的目标跟踪,输出目标在视频序列中完整的位置信息。本发明的方法运算速度更快,具有更好的可迁移性和鲁棒性,在复杂场景下都能够达到更高效、鲁棒的目标跟踪结果。
-
公开(公告)号:CN106780506B
公开(公告)日:2020-05-08
申请号:CN201611039325.6
申请日:2016-11-21
Applicant: 北京交通大学
IPC: G06T7/11
Abstract: 本发明公开一种基于多源路径最短距离的交互式图像分割方法,包括:S1、根据图像的像素值特征计算图像中的像素点之间的边权重,并根据像素点之间的边权重将图像转化为无向加权图;S2、在图像中的各待分割物体内部分别标记多个像素点作为各待分割物体的标记点,待分割物体的标记点带有待分割物体各自的标识;S3、对图像中所有未标记的像素点依据无向加权图寻找与其距离最近的标记点,从而将图像分割问题转化为多源最短路径搜索问题;S4、以与各未标记的像素点距离最近的标记点的标识标记各未标记的像素点,得到图像中每个像素点带有的标识,并将带有不同标识的像素点的边界标记为分割边界。本发明能够达到更理想的、高质量的图像分割结果。
-
公开(公告)号:CN106650667A
公开(公告)日:2017-05-10
申请号:CN201611221282.3
申请日:2016-12-26
Applicant: 北京交通大学
CPC classification number: G06K9/00369 , G06N3/126
Abstract: 本发明公开了一种基于支持向量机的行人检测方法,所述方法包括:S1:提取训练图像中的边缘和文理信息,处理得到特征向量;S2:对所述特征向量进行降维,得到降维的特征向量;S3:采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习;S4:将待检测的图像进行S1和S2的处理,然后输入所述支持向量机进行行人检测,本发明同时公开了一种基于支持向量机的行人检测系统,本发明采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习,考虑特征组合对行人检测分类效果的影响,并为所有维度的特征制定权值,提高行人检测的准确度。
-
公开(公告)号:CN111967358A
公开(公告)日:2020-11-20
申请号:CN202010778327.7
申请日:2020-08-05
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于注意力机制的步态识别方法,包括以下步骤:从基准数据集中分割出训练集和测试集;通过未嵌入注意力机制的步态提取模型预训练网络,以此来使得模型对人体步态有好的适应性;在网络中嵌入时域和空域注意力机制模块,并加载预训练的网络模型参数;重新运用数据集训练基于注意力机制的步态识别特征提取模型,以此可以获得较好的步态识别结果。
-
-
-
-
-
-
-
-
-