-
公开(公告)号：CN110849372B
公开(公告)日：2023-02-14
申请号：CN201911188834.9
申请日：2019-11-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于EM聚类的水下多目标轨迹关联方法。对数据进行预处理；通过引入信息熵来构建构建轨迹质量分级模型，在轨迹关联的时候，把质量好的点当做中心优先进行轨迹关联匹配；通过轨迹间拓扑信息建立高斯混合模型同时将质量好的点当做质心，得到高斯概率密度函数；建立混合整数非线性规划模型，利用递归的思想降低关联偏差；通过EM聚类，对未知参数求极值，来设定关联判断门限，同时对结果进行唯一化处理，求解得到水下目标轨迹的对应关系，最后匹配出水下目标的轨迹。本发明在不同目标个数、不同传感器测角测距误差、以及不同传感器探测概率等情况下，本发明具有很好的正关联率，具备一定的优越性和鲁棒性。
-
公开(公告)号：CN112861970B
公开(公告)日：2023-01-03
申请号：CN202110179265.2
申请日：2021-02-09
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06V10/42 , G06V10/25 , G06V10/26 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉中的图像识别技术领域，具体涉及一种基于特征融合的细粒度图像分类方法。本发明实现了细粒度图像在分类任务上对局部细节特征的提取，并精准定位在关注的目标区域，解决了细粒度图像在分类任务上类内差异小的难点，利用改进的非极大值抑制soft‑NMS优化区域建议网络RPN来获取目标对象，避免背景信息的干扰。本发明通过注意力模块SCA改进双线性卷积神经网络B‑CNNs用于细粒度分类任务，以获取不同维度的注意力特征。较现有的分类方法，本发明定位在区分的关键部分，具有更高的准确度。
-
公开(公告)号：CN112861970A
公开(公告)日：2021-05-28
申请号：CN202110179265.2
申请日：2021-02-09
Applicant: 哈尔滨工程大学
Abstract: 本发明属于计算机视觉中的图像识别技术领域，具体涉及一种基于特征融合的细粒度图像分类方法。本发明实现了细粒度图像在分类任务上对局部细节特征的提取，并精准定位在关注的目标区域，解决了细粒度图像在分类任务上类内差异小的难点，利用改进的非极大值抑制soft‑NMS优化区域建议网络RPN来获取目标对象，避免背景信息的干扰。本发明通过注意力模块SCA改进双线性卷积神经网络B‑CNNs用于细粒度分类任务，以获取不同维度的注意力特征。较现有的分类方法，本发明定位在区分的关键部分，具有更高的准确度。
-
公开(公告)号：CN110849372A
公开(公告)日：2020-02-28
申请号：CN201911188834.9
申请日：2019-11-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于EM聚类的水下多目标轨迹关联方法。对数据进行预处理；通过引入信息熵来构建构建轨迹质量分级模型，在轨迹关联的时候，把质量好的点当做中心优先进行轨迹关联匹配；通过轨迹间拓扑信息建立高斯混合模型同时将质量好的点当做质心，得到高斯概率密度函数；建立混合整数非线性规划模型，利用递归的思想降低关联偏差；通过EM聚类，对未知参数求极值，来设定关联判断门限，同时对结果进行唯一化处理，求解得到水下目标轨迹的对应关系，最后匹配出水下目标的轨迹。本发明在不同目标个数、不同传感器测角测距误差、以及不同传感器探测概率等情况下，本发明具有很好的正关联率，具备一定的优越性和鲁棒性。
-
-
-
Search Results
4
records
(took 0.031 seconds)
