-
公开(公告)号：CN117131370A
公开(公告)日：2023-11-28
申请号：CN202310775612.7
申请日：2023-06-28
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06F18/214 , G06F18/213 , G06N3/04 , G06V20/58 , G06N3/08
Abstract: 本发明公开了一种行人轨迹预测方法、装置、设备和存储介质，涉及计算机技术领域。本方案先确定各样本数据和各样本数据对应的未来真实轨迹，然后针对每个样本数据，通过待训练的行人轨迹预测模型，确定该样本数据对应的第一预测轨迹，再确定对应该样本数据的冗余误差，以确定该样本数据对应去除冗余误差的第二预测轨迹，最后以最小化各样本数据的第二预测轨迹与未来真实轨迹的偏差为优化目标，对待训练的行人轨迹预测模型进行训练，以通过训练后的行人轨迹预测模型进行行人轨迹预测。本方案通过消除行人轨迹预测模型引入的随机变量所带来的冗余误差，提高了模型训练的准确性，从而提高了训练后的行人轨迹预测模型预测行人轨迹的准确性。
-
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：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：CN116416468B
公开(公告)日：2023-10-03
申请号：CN202310376226.0
申请日：2023-04-11
Applicant: 安徽中科星联信息技术有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于神经架构搜索的SAR目标检测方法，涉及目标检测技术领域，包括以下步骤：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；包括基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；基于Neck模块将提取的特征进行整合；基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。本发明提出了一种基于神经架构搜索的SAR目标检测模型，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
-
公开(公告)号：CN116416468A
公开(公告)日：2023-07-11
申请号：CN202310376226.0
申请日：2023-04-11
Applicant: 安徽中科星联信息技术有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于神经架构搜索的SAR目标检测方法，涉及目标检测技术领域，包括以下步骤：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；包括基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；基于Neck模块将提取的特征进行整合；基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。本发明提出了一种基于神经架构搜索的SAR目标检测模型，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
-
公开(公告)号：CN116259176B
公开(公告)日：2024-02-06
申请号：CN202310130465.8
申请日：2023-02-17
Applicant: 安徽大学
Abstract: 本发明公开了一种基于意图随机性影响策略的行人轨迹预测方法，涉及轨迹预测技术领域，本发明包括从行人历史轨迹中提取最后一帧的位移信息；从标准正态分布抽样获取随机数因子；将最后一帧的位移信息输入一个有偏置的线性层，得到的结果与随机数因子相乘得到随机意图向量，用于模拟行人运动随机性产生的影响；对每一个行人历史轨迹坐标点进行二阶拟合得到拟合误差，将拟合误差初始化，并将初始化后的拟合误差输入一个具有随机偏置的线性层，得到每个行人意图改变概率向量；将随机意图向量和意图改变概率向量输入稀疏意图模块，确定行人使用随机意图向量或使用不带来任何影响的零向量，得到输出向量，完成对随机意图模块的构建。
-
公开(公告)号：CN116310837B
公开(公告)日：2024-04-23
申请号：CN202310377271.8
申请日：2023-04-11
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种SAR舰船目标旋转检测方法及系统，涉及SAR图像技术领域，包括以下步骤：提取SAR图像中的待检测目标的浅层特征、深层特征；构建FAM模块并利用其将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，构建特征图；利用高斯分布法将特征图中的锚框匹配给SAR图像中的真值框，得到旋转目标；构建的自适应边界增强模块获取旋转目标中的边界增强特征；对边界增强特征进行解耦处理后，利用全连接层预测分类目标，并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度，实现对SAR图像中的目标进行回归检测。本发明解决了SAR船舶目标检测中小目标、多尺度，以及任意方向造成检测性能较差的问题。
-
公开(公告)号：CN116310837A
公开(公告)日：2023-06-23
申请号：CN202310377271.8
申请日：2023-04-11
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种SAR舰船目标旋转检测方法及系统，涉及SAR图像技术领域，包括以下步骤：提取SAR图像中的待检测目标的浅层特征、深层特征；构建FAM模块并利用其将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，构建特征图；利用高斯分布法将特征图中的锚框匹配给SAR图像中的真值框，得到旋转目标；构建的自适应边界增强模块获取旋转目标中的边界增强特征；对边界增强特征进行解耦处理后，利用全连接层预测分类目标，并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度，实现对SAR图像中的目标进行回归检测。本发明解决了SAR船舶目标检测中小目标、多尺度，以及任意方向造成检测性能较差的问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.042 seconds)
