-
公开(公告)号：CN110334743A
公开(公告)日：2019-10-15
申请号：CN201910496327.5
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
公开(公告)号：CN110717627B
公开(公告)日：2022-01-25
申请号：CN201910934228.0
申请日：2019-09-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对偶图框架的全量交通预测方法，包括：(1)将路网结构表示为拓扑图，将路口作为节点，将连接路口的路段作为边；准备历史的边、节点数据以及未来的边、节点数据；(2)构造历史信息编码器，将历史数据输入到编码器中，通过多层的对偶映射，实现边和节点之间的信息传递，将多层对偶映射的输出拼接为历史特征张量；(3)构造未来预测解码器，将历史特征张量解码成未来时空特征，输出未来预测结果；(4)将预测结果和实际数据之间的误差作为损失函数来进行模型训练，直到损失函数收敛；(5)用训练好的模型，进行模型测试，测试完毕后进行应用。本发明的预测结果能够得到未来交通状况的全量完整描述，预测准确度高。
-
公开(公告)号：CN110570672B
公开(公告)日：2020-12-01
申请号：CN201910881544.6
申请日：2019-09-18
Applicant: 浙江大学
Abstract: 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
公开(公告)号：CN111754775A
公开(公告)日：2020-10-09
申请号：CN202010634989.7
申请日：2020-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
公开(公告)号：CN110570672A
公开(公告)日：2019-12-13
申请号：CN201910881544.6
申请日：2019-09-18
Applicant: 浙江大学
Abstract: 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
Patent Agency Ranking
公开(公告)号：CN110321801B
公开(公告)日：2021-08-03
申请号：CN201910496351.9
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自编码网络的换衣行人重识别方法及系统，其中，方法包括：(1)对行人图片中行人的衣服部分生成掩膜；(2)利用衣服特征编码器EA获取衣服特征表示向量；(3)根据掩膜去掉行人图片中的衣服部分，利用换衣图片生成器G生成换衣图片；(4)构建衣服无关特征学习网络，包含特征提取器F以及图片生成器R；(5)将真实行人图片以及生成的换衣图片两两配对，对特征提取器F进行训练；(6)训练收敛后，输入真实、有标记的行人图片，使用交叉熵损失函数对特征提取器F进行微调；(7)利用最终得到的特征提取器F进行行人重识别的应用。利用本发明，使得在行人外貌变化丰富的场景下，能够学习得到鲁棒的判别性特征。
-
公开(公告)号：CN110334743B
公开(公告)日：2021-05-04
申请号：CN201910496327.5
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
公开(公告)号：CN111754775B
公开(公告)日：2021-05-25
申请号：CN202010634989.7
申请日：2020-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
公开(公告)号：CN110163117B
公开(公告)日：2021-03-05
申请号：CN201910348620.7
申请日：2019-04-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自激励判别性特征学习的行人重识别方法，包括：(1)选取一个行人重识别网络，在该原始网络上添加一个负分支；(2)在训练阶段，原始网络产生分类损失函数，原始网络和负分支之间产生对抗损失函数和互斥响应项，一起构成目标函数，并利用随机梯度下降方法对整个网络进行优化；(3)在测试阶段，移除负分支，只保留原始网络在分类器之前的部分，作为训练好的网络模型，并输入行人图片进行抽取特征向量测试；(4)在行人检索阶段，利用训练好的网络模型抽取图片库中每张图片的特征向量，选择与待查询行人图片的特征向量相似度最高的图片的身份作为最终识别结果。利用本发明，可以提升现有行人重识别网络的效果。
-
公开(公告)号：CN110717627A
公开(公告)日：2020-01-21
申请号：CN201910934228.0
申请日：2019-09-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对偶图框架的全量交通预测方法，包括：(1)将路网结构表示为拓扑图，将路口作为节点，将连接路口的路段作为边；准备历史的边、节点数据以及未来的边、节点数据；(2)构造历史信息编码器，将历史数据输入到编码器中，通过多层的对偶映射，实现边和节点之间的信息传递，将多层对偶映射的输出拼接为历史特征张量；(3)构造未来预测解码器，将历史特征张量解码成未来时空特征，输出未来预测结果；(4)将预测结果和实际数据之间的误差作为损失函数来进行模型训练，直到损失函数收敛；(5)用训练好的模型，进行模型测试，测试完毕后进行应用。本发明的预测结果能够得到未来交通状况的全量完整描述，预测准确度高。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.01 seconds)
