-
公开(公告)号：CN109131348A
公开(公告)日：2019-01-04
申请号：CN201810818002.X
申请日：2018-07-24
Applicant: 大连理工大学
IPC: B60W50/00
Abstract: 本发明公开了一种基于生成式对抗网络的智能车驾驶决策方法，包括建立驾驶决策模型和驾驶决策控制。本发明基于生成式对抗网络对驾驶图像处理，能够处理非理想道路状况下的车辆驾驶路径规划，提高了端对端神经网络的可执行性。本发明通过生成式对抗网络处理，提取驾驶图像的最本质特征，将不同源的驾驶数据映射到统一的虚拟域中，实现强化学习到实车的应用，提高了网络的泛化性，适应不同样本的能力。本发明对于驾驶图像的输入，每次使用的输入图像为当前时刻时间戳的前几帧视频图像。以此种方法得到的预测图像，可以更大程度上的得到真实的预测图像作为驾驶决策规划的判断。本发明作为预测车辆最优决策的依据，建立起强化学习到实车应用的桥梁。
-
公开(公告)号：CN108985250A
公开(公告)日：2018-12-11
申请号：CN201810842269.2
申请日：2018-07-27
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于多任务网络的交通场景解析方法，包括以下步骤：将多任务网络划分为编码器、分割解码器和检测解码器。编码器提取图像的特征并提取特征图中的多尺度信息；分割解码器扩大特征图的尺寸，并与特征图进行融合；检测解码器对输入特征图进行处理，输出对应的目标检测结果。使用深度学习框架Tensorflow对上述多任务网络进行配置、训练和测试。本发明的多任务网络可以提取丰富的图像特征，弥补了编码器中下采样带来的图像细节信息的丢失，有助于提高分割和检测效果。本发明设计了一种多任务网络结构，能够通过一次反向传播实现交通场景图像的语义分割和目标检测，具有较好的实时性和较高的精确率。
-
公开(公告)号：CN105956532B
公开(公告)日：2019-05-21
申请号：CN201610261849.3
申请日：2016-04-25
Applicant: 大连理工大学
Abstract: 本发明公开了一种交通场景多目标分类方法，包括以下步骤：提取基于多尺度卷积神经网络的隐性特征；获取最优覆盖分割树。本发明在实现交通场景分类的过程中，采用多尺度卷积神经网络，通过对原始图像在不同尺度上有效提取具有不变性的优秀隐性特征，相比于单一尺度的卷积神经网络，实现了图像更加丰富有效特征信息的获取。本发明通过将卷积神经网络提取的有效信息与图像的原始分割树结合，形成最优纯度代价树，并进行最优纯度的覆盖，实现了获得更加清晰的目标轮廓，增加了分类的准确性。本发明通过将RGB‑D作为卷积神经网络输入，相比传统RGB卷积神经网络输入，训练的特征增加了深度信息，实现了输入图像更加精确的分类。
-
公开(公告)号：CN105975915A
公开(公告)日：2016-09-28
申请号：CN201610273462.X
申请日：2016-04-28
Applicant: 大连理工大学
CPC classification number: G06K9/00825 , G06N3/084
Abstract: 本发明公开了一种基于多任务卷积神经网络的车辆多参数识别方法，包括以下步骤：卷积神经网络结构的设计及训练；基于卷积神经网络的车辆参数识别。本发明采用卷积神经网络，使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此，卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征；相比浅层学习分类器，具有更强的可扩展性，满足交通环境中的多类目标的识别，识别精度也更高。尤其应用于复杂的交通环境当中，本发明体现出很强的抗环境干扰能力。本发明将卷积神经网络的应用扩展到车辆的多参数识别，以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态，增强了车辆潜在行为的可预知性。
-
Patent Agency Ranking
公开(公告)号：CN105975915B
公开(公告)日：2019-05-21
申请号：CN201610273462.X
申请日：2016-04-28
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于多任务卷积神经网络的车辆多参数识别方法，包括以下步骤：卷积神经网络结构的设计及训练；基于卷积神经网络的车辆参数识别。本发明采用卷积神经网络，使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此，卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征；相比浅层学习分类器，具有更强的可扩展性，满足交通环境中的多类目标的识别，识别精度也更高。尤其应用于复杂的交通环境当中，本发明体现出很强的抗环境干扰能力。本发明将卷积神经网络的应用扩展到车辆的多参数识别，以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态，增强了车辆潜在行为的可预知性。
-
公开(公告)号：CN109131348B
公开(公告)日：2020-02-18
申请号：CN201810818002.X
申请日：2018-07-24
Applicant: 大连理工大学
IPC: B60W50/00
Abstract: 本发明公开了一种基于生成式对抗网络的智能车驾驶决策方法，包括建立驾驶决策模型和驾驶决策控制。本发明基于生成式对抗网络对驾驶图像处理，能够处理非理想道路状况下的车辆驾驶路径规划，提高了端对端神经网络的可执行性。本发明通过生成式对抗网络处理，提取驾驶图像的最本质特征，将不同源的驾驶数据映射到统一的虚拟域中，实现强化学习到实车的应用，提高了网络的泛化性，适应不同样本的能力。本发明对于驾驶图像的输入，每次使用的输入图像为当前时刻时间戳的前几帧视频图像。以此种方法得到的预测图像，可以更大程度上的得到真实的预测图像作为驾驶决策规划的判断。本发明作为预测车辆最优决策的依据，建立起强化学习到实车应用的桥梁。
-
公开(公告)号：CN105975957B
公开(公告)日：2019-02-05
申请号：CN201610367918.9
申请日：2016-05-30
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于车道线边缘的道路平面检测方法，包括以下步骤：通过双目立体视觉系统采集图像并进行预处理；对预处理后的图像进行Canny边缘检测，并利用Hough变换的方法提取车道线边缘；基于车道线边缘，通过最小二乘法求解道路平面系数，得到道路平面方程。本发明基于车道线边缘进行道路平面检测，能够在双目立体视觉系统的基线与道路平面不平行的情况下，实现道路平面的精确检测，减少了车辆侧倾和颠簸对道路平面检测带来的影响；本发明通过匹配成功的车道线的点进行道路平面拟合，较少依赖匹配成功的地面点个数及其分布情况，即使地面点匹配个数较少且分布集中，也能实现较好的道路平面检测效果，更具有实用价值。
-
公开(公告)号：CN105975957A
公开(公告)日：2016-09-28
申请号：CN201610367918.9
申请日：2016-05-30
Applicant: 大连理工大学
CPC classification number: G06K9/00798 , G06K9/40
Abstract: 本发明公开了一种基于车道线边缘的道路平面检测方法，包括以下步骤：通过双目立体视觉系统采集图像并进行预处理；对预处理后的图像进行Canny边缘检测，并利用Hough变换的方法提取车道线边缘；基于车道线边缘，通过最小二乘法求解道路平面系数，得到道路平面方程。本发明基于车道线边缘进行道路平面检测，能够在双目立体视觉系统的基线与道路平面不平行的情况下，实现道路平面的精确检测，减少了车辆侧倾和颠簸对道路平面检测带来的影响；本发明通过匹配成功的车道线的点进行道路平面拟合，较少依赖匹配成功的地面点个数及其分布情况，即使地面点匹配个数较少且分布集中，也能实现较好的道路平面检测效果，更具有实用价值。
-
公开(公告)号：CN105956532A
公开(公告)日：2016-09-21
申请号：CN201610261849.3
申请日：2016-04-25
Applicant: 大连理工大学
CPC classification number: G06K9/00785 , G06K9/6267 , G06N3/08
Abstract: 本发明公开了一种交通场景多目标分类方法，包括以下步骤：提取基于多尺度卷积神经网络的隐性特征；获取最优覆盖分割树。本发明在实现交通场景分类的过程中，采用多尺度卷积神经网络，通过对原始图像在不同尺度上有效提取具有不变性的优秀隐性特征，相比于单一尺度的卷积神经网络，实现了图像更加丰富有效特征信息的获取。本发明通过将卷积神经网络提取的有效信息与图像的原始分割树结合，形成最优纯度代价树，并进行最优纯度的覆盖，实现了获得更加清晰的目标轮廓，增加了分类的准确性。本发明通过将RGB‑D作为卷积神经网络输入，相比传统RGB卷积神经网络输入，训练的特征增加了深度信息，实现了输入图像更加精确的分类。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
