-
公开(公告)号：CN119832593A
公开(公告)日：2025-04-15
申请号：CN202411821113.8
申请日：2024-12-11
Applicant: 四川警察学院 , 中国民用航空飞行学院
IPC: G06V40/10 , A61B5/18 , A61B5/00 , A61B5/024 , G06V20/59 , G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了一种基于多任务轮换配对学习的飞行员适航状态感知方法，涉及航空安全保障与监测技术领域，包括：构建基于多任务的轮换配对学习模型，并将预先获取的视频数据集输入所述基于多任务轮换配对学习模型进行训练；所述基于多任务的轮换配对学习模型包括一个共享特征提取网络和三个专用任务子网络，专用任务子网络分别包括：rPPG信号估计器、连续性情绪预测器、适航状态序列预测器；训练阶段采用多任务轮换配对学习的方法；将待预测的视频输入所述训练好的基于多任务的轮换配对学习模型进行预测，输出得到多任务预测结果。本发明可学习飞行员生理状态、心理状态以及飞行员适航状态之间的潜在联系，准确地评估飞行员在驾驶过程中的状态。
-
公开(公告)号：CN119689486A
公开(公告)日：2025-03-25
申请号：CN202411747986.9
申请日：2024-12-02
IPC: G01S17/08 , G06T3/4023 , G06T3/4046
Abstract: 本发明公开了一种面向LiDAR点云压缩的距离分段采样方法和系统，包括在编解码器的两端分别执行下采样和上采样，以减少点云数据的冗余并实现高效的点云重建。下采样过程通过将LiDAR点云的三维坐标转换为极坐标系，并对其进行分段尺度变换，减少点云数据的维度。通过KD‑Tree算法对源点云进行近邻搜索，得到下采样后的点云数据。上采样过程通过解码后的点云重建占用图，并进行宽度扩展和拼接，最终生成上采样的点云数据。本发明的优点是：利用LiDAR点云数据近处数据过采样的特性，通过下采样降低待编码数据量，从而提升LiDAR点云数据的压缩效率。
-
公开(公告)号：CN116842073B
公开(公告)日：2024-04-09
申请号：CN202310839092.1
申请日：2023-07-10
Applicant: 四川警察学院
IPC: G06F16/2458 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种图数据的挖掘方法、装置和电子设备，属于数据挖掘的技术领域，通过形式概念分析方法将图数据转化为概念格，粗粒度聚合节点信息，将重要信息聚合在较少的节点(即概念)上，使其具有清晰的图结构，从而得到图数据的新特征矩阵，上述形式概念增强的图卷积网络模型也是基于图数据训练集中各图数据样本的原始特征矩阵、新特征矩阵和标签对图卷积神经网络模型进行训练得到的，从而能够对图数据结构进行更深层次的挖掘，得到更多的挖掘信息，另外，上述具有较少节点的概念格的清晰图结构也减少了形式概念增强的图卷积神经网络模型的计算量，进而大大提高了图数据挖掘的效率。
-
公开(公告)号：CN116740467A
公开(公告)日：2023-09-12
申请号：CN202310869833.0
申请日：2023-07-14
Applicant: 四川警察学院
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/24 , G06N3/09
Abstract: 本发明提供了一种自监督预训练的分类学习方法、装置和电子设备，该方法中，对第一训练样本图像和旋转第二训练样本图像进行融合，得到旋转融合图像，进而采用旋转融合图像和旋转融合图像的旋转角度标签对初始分类模型进行自监督训练，使得分类模型具备更丰富的特征表达，可以挖掘出第一训练样本图像和旋转第二训练样本图像之间的特征，最后，再采用旋转融合图像和旋转融合图像的类别标签对学到的旋转分类模型进行迁移训练，使得训练得到的目标分类模型具备旋转不变性和更强的特征表达能力，最终使得再训练的目标分类模型泛化能力更强，分类识别性能更好。
-
公开(公告)号：CN115631375A
公开(公告)日：2023-01-20
申请号：CN202211297496.4
申请日：2022-10-22
Applicant: 四川警察学院
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明公开了一种图像有序性估计方法、系统、装置及介质，包括：首先将每个批次中的任意两个样本以随机位置、随机大小的方式剪切式融合；其次将训练集中所有的图像都采用剪切式融合，得到大量的随机组合方式；最后，将融合的图像输入到CNN模型中，并将随机性信息隐式地嵌入到学习过程中，通过学习混合式图像和混合式标签的匹配度来得到竞争性更强的模型。本发明的优点是：更简单更高效的方式实现图像有序性估计问题，用大量的组合性混合将很多图像块嵌入在一起，在有序性类别上进行竞争性学习，识别性能上有了较大提升，且模型更具鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN112651355A
公开(公告)日：2021-04-13
申请号：CN202011611204.0
申请日：2020-12-29
Abstract: 本发明公开了一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，采用将混合高斯模型算法和深度学习的卷积神经网络结合起来，将两算法一并移植到嵌入式系统中；首先通过混合高斯模型(GMM)将输入图像的像素和背景模型进行对比。和背景模型相似性比较高的点视为背景，而与背景模型相似性比较低的点视为前景，并且通过图像处理的方法将前景提取出来，随后将所提取的前景图像传输至卷积神经网络模块，将在PC端训练好的卷积神经网络移植在嵌入式装置。从而能识别出刀，枪各种对人身有危害的工具，并且也能识别出火焰。从而保障特殊场所的人身安全，有着监测速度较快，检测精度高，小型化的优点。
-
公开(公告)号：CN119203062B
公开(公告)日：2025-03-21
申请号：CN202411701832.6
申请日：2024-11-26
Applicant: 四川警察学院
Abstract: 本发明涉及智能交通技术领域，提供了一种基于动态记忆图的多层级特征表示的交通流预测方法，包括：步骤1、数据采集及预处理；步骤2、构建基于图卷积及LSTM的动态记忆图下采样特征提取单元LSTGM；步骤3、基于U‑Net的时间序列多步特征提取与融合；步骤4、构建基于U‑Net的LSTGM时空特征动力学模型；步骤5、未来交通状态预测；步骤6、建立预测模型，利用随机梯度下降算法，通过训练不断优化模型超参数，得到交通状态预测方案。本发明能较佳地预测交通流。
-
公开(公告)号：CN118587893B
公开(公告)日：2024-10-18
申请号：CN202411044400.2
申请日：2024-07-31
Applicant: 四川警察学院
IPC: G08G1/01 , G06Q10/04 , G06Q50/40 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于动态自适应卷积神经网络的城市交通流预测方法，涉及交通工程及智能交通技术领域，包括：数据采集及预处理；建立基于时空残差卷积的神经网络模型；构建动态自适应卷积；建立时空动力学模型并对其进行优化；利用随机梯度下降算法，通过训练不断优化动态时空自适应卷积网络超参数，得到交通状态预测方案；本发明利用DSTACN在预测交通流考虑时空依赖关系，捕捉路网中的动态时空关系，使得预测结果更加精确。
-
公开(公告)号：CN118587893A
公开(公告)日：2024-09-03
申请号：CN202411044400.2
申请日：2024-07-31
Applicant: 四川警察学院
IPC: G08G1/01 , G06Q10/04 , G06Q50/40 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于动态自适应卷积神经网络的城市交通流预测方法，涉及交通工程及智能交通技术领域，包括：数据采集及预处理；建立基于时空残差卷积的神经网络模型；构建动态自适应卷积；建立时空动力学模型并对其进行优化；利用随机梯度下降算法，通过训练不断优化动态时空自适应卷积网络超参数，得到交通状态预测方案；本发明利用DSTACN在预测交通流考虑时空依赖关系，捕捉路网中的动态时空关系，使得预测结果更加精确。
-
公开(公告)号：CN115620199B
公开(公告)日：2023-06-13
申请号：CN202211301818.8
申请日：2022-10-24
Applicant: 四川警察学院
IPC: G06V20/40 , G06T7/10 , G06V10/764 , G06V10/774
Abstract: 本发明涉及交通安全技术领域，并提供了一种交通安全风险诊断方法和装置，包括获取交通监控的视频流；通过OPencv视觉模型将视频流划分为帧图像；通过预设的SOLOv2实例分割框架对帧图像进行上的车辆实例和行人实例进行分割处理；对车辆实例和行人实例进行风险诊断，判断是否存在交通风险，生成可视化判断结果；将可视化判断结果载入原视频流进行输出。本发明采用了SOLOv2实例分割框架，该框架预测每个像素所在的物体的实例类别，通过位置和形状进行区分实例，同一中心位置，同一尺寸物体为同一实例，否则为不同类别。最后对不同类别的分割图像进行，分割之后，分别判断道路中行人和车辆的风险状况，从而判断是不是存在风险进行可视化的输出。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.041 seconds)
