-
公开(公告)号：CN114187581B
公开(公告)日：2024-04-09
申请号：CN202111527027.2
申请日：2021-12-14
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/59 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。
-
公开(公告)号：CN114187581A
公开(公告)日：2022-03-15
申请号：CN202111527027.2
申请日：2021-12-14
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/59 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。
-
Patent Agency Ranking
公开(公告)号：CN114511798B
公开(公告)日：2024-04-26
申请号：CN202111509227.5
申请日：2021-12-10
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/40 , G06V20/59 , G06N3/0464 , G06V10/82 , G06N3/08 , G06V10/80 , G06V10/764
Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。
-
公开(公告)号：CN114511798A
公开(公告)日：2022-05-17
申请号：CN202111509227.5
申请日：2021-12-10
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。
-
公开(公告)号：CN114140732A
公开(公告)日：2022-03-04
申请号：CN202111502053.X
申请日：2021-12-09
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/40 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/20
Abstract: 本发明提供了一种面向小样本条件下的消防火源检测方法、装置及存储介质，属于目标检测及工业部署领域，包括：收集工业现场的火源图像数据；构建火源检测模型；将火源图像数据输入火源检测模型中，通过火源检测模型对火源图像数据进行分析，获得检测结果；所述检测结果包括火源的具体位置、精度和类别。该方法缓解了小样本条件下，数据的样本量不够，训练困难的问题，使用不同的增强方法，大幅增加了样本的数量和质量，提升了模型的过拟合能力；通过本方法解决小目标检测难的问题，提升了小目标的检测精度，实现工业现场端到端实时检测。
-
公开(公告)号：CN114202696A
公开(公告)日：2022-03-18
申请号：CN202111534166.8
申请日：2021-12-15
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明提供了一种基于上下文视觉的SAR目标检测方法、装置和存储介质，属于目标检测领域，包括：获取SAR图像；将SAR图像输入目标检测模型中，目标检测模型对SAR图像中的目标物进行定位和识别，获得检测结果。本发明通过从上到下和从下到上的注意力增强双向多尺度连接操作，以指导动态注意力矩阵的学习，增强不同分辨率下的特征交互，促使模型能够更为精准的提取多尺度的目标特征信息，回归检测框和分类，抑制干扰背景信息，从而增强了视觉表示能力。在增加注意力增强模块的情况下，整个Neck几乎不增加参数量和计算量也能使检测性能得到极强的增益。
-
公开(公告)号：CN114202696B
公开(公告)日：2023-01-24
申请号：CN202111534166.8
申请日：2021-12-15
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
IPC: G06V20/10 , G06N3/0464 , G06N3/08 , G06V10/40
Abstract: 本发明提供了一种基于上下文视觉的SAR目标检测方法、装置和存储介质，属于目标检测领域，包括：获取SAR图像；将SAR图像输入目标检测模型中，目标检测模型对SAR图像中的目标物进行定位和识别，获得检测结果。本发明通过从上到下和从下到上的注意力增强双向多尺度连接操作，以指导动态注意力矩阵的学习，增强不同分辨率下的特征交互，促使模型能够更为精准的提取多尺度的目标特征信息，回归检测框和分类，抑制干扰背景信息，从而增强了视觉表示能力。在增加注意力增强模块的情况下，整个Neck几乎不增加参数量和计算量也能使检测性能得到极强的增益。
-
-
-
-
-
-
Search Results
7
records
(took 0.048 seconds)
