-
公开(公告)号：CN117495902A
公开(公告)日：2024-02-02
申请号：CN202310941903.9
申请日：2023-07-28
Applicant: 大连海事大学
IPC: G06T7/246 , G06V10/764 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于局部匿名时空自注意力网络的船舶轨迹预测方法，包括步骤如下：数据处理；构建船舶交互网络；建立基于局部匿名时空自注意力网络的船舶轨迹预测模型。本发明将AIS船舶历史轨迹处理为船舶轨迹交互图。使用局部匿名聚合局部信息特征的同时，保护船舶隐私，得到初始化特征。之后利用结构自注意力卷积层学习船舶之间的结构特征。然后将结构自注意力层的输出作为时序自注意力层的输入，使用时序自注意力在时间维度上学习时序特征，该特征既囊括了船舶之间的交互信息，又体现了船舶轨迹在时间维度上的变化规律，最后使用聚合了结构与时序信息的特征对船舶航行轨迹进行预测，使得预测结果逐步接近真实船舶航行轨迹。
-
公开(公告)号：CN110781838B
公开(公告)日：2023-05-26
申请号：CN201911033767.3
申请日：2019-10-28
Applicant: 大连海事大学
IPC: G06V40/10 , G06T7/246 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种复杂场景下行人的多模态轨迹预测方法，包括以下步骤：使用视觉几何组16层卷积神经网络进行图片特征提取；使用全连接层对轨迹数据进行特征处理；输入轨迹数据特征向量VS进入生成对抗网络完成编码解码网络功能；输入图片特征数据及轨迹特征数据至物理、社会注意力模块考虑地形限制及行人交互；通过更新完的生成器部分得到更好的轨迹生成预测结果；得到的稳定轨迹预测模型SPM。本发明可以有效的提高预测的精度，并且可以生成多条合理的预测轨迹，不仅能根据原始图片的特征信息提取到相关地形限制信息，而且能够考虑到同一复杂场景下不同行人之间的社交交互情况。本发明能够更加快速和准确地预测行人未来轨迹。
-
Patent Agency Ranking
公开(公告)号：CN110503680B
公开(公告)日：2023-08-18
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
IPC: G06T7/50 , G06N3/0464
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
公开(公告)号：CN110797123B
公开(公告)日：2023-05-26
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
公开(公告)号：CN110797123A
公开(公告)日：2020-02-14
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
公开(公告)号：CN110781838A
公开(公告)日：2020-02-11
申请号：CN201911033767.3
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种复杂场景下行人的多模态轨迹预测方法，包括以下步骤：使用视觉几何组16层卷积神经网络进行图片特征提取；使用全连接层对轨迹数据进行特征处理；输入轨迹数据特征向量VS进入生成对抗网络完成编码解码网络功能；输入图片特征数据及轨迹特征数据至物理、社会注意力模块考虑地形限制及行人交互；通过更新完的生成器部分得到更好的轨迹生成预测结果；得到的稳定轨迹预测模型SPM。本发明可以有效的提高预测的精度，并且可以生成多条合理的预测轨迹，不仅能根据原始图片的特征信息提取到相关地形限制信息，而且能够考虑到同一复杂场景下不同行人之间的社交交互情况。本发明能够更加快速和准确地预测行人未来轨迹。
-
公开(公告)号：CN110503680A
公开(公告)日：2019-11-26
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
