-
公开(公告)号：CN114494999A
公开(公告)日：2022-05-13
申请号：CN202210058467.6
申请日：2022-01-18
Applicant: 西南交通大学
IPC: G06V20/52 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/62 , G06K9/62 , G06T7/73 , G06N3/04 , G06N3/08 , G06Q10/04
Abstract: 本发明涉及目标密集预测技术领域，公开了本发明提供了一种双分支联合型目标密集预测方法及系统。该双分支联合型目标密集预测方法，包括以下步骤：S1，利用待预测目标的图像生成特征图；S2，利用特征图中的计数特征生成预测密度图，以及，利用特征图中的定位特征生成预测位置图；S3，利用生成预测位置图的过程信息对生成的预测密度图进行更新优化，和/或，利用生成预测密度图的过程信息对生成的预测位置图进行更新优化。本发明解决了现有技术存在的密度图位置信息衰减以及对目标位置预测不准确等问题。
-
公开(公告)号：CN113052259A
公开(公告)日：2021-06-29
申请号：CN202110398819.8
申请日：2021-04-14
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于联合投票网络的交通场景天气分类方法，该方法不同于任意的场景分类方法或人工智能方法，提出的方法在特征提取阶段和特征融合阶段使用了其他创新机制，使得模型能有更好的分类边界，包括构建交通场景天气分类数据集，提取基于注意力机制的天气分类特征，提取基于二阶特征机制的天气分类特征，基于联合投票机制的分类结果融合四个步骤。本发明通过对在交通场景的监控图像做图像天气分类，获取图像天气分类的不同形式的特征，最后选取基于注意力机制的特征提取方法和基于二阶特征提取方法；然后，使用基于投票机制将不同形式的特征结果相结合，获得高效率、高精度的交通场景的天气分类结果。
-
公开(公告)号：CN110866593A
公开(公告)日：2020-03-06
申请号：CN201911068506.5
申请日：2019-11-05
Applicant: 西南交通大学
Abstract: 发明公开了一种基于人工智能的高速公路恶劣天气识别方法，用于自动识别高速公路包括晴天、雨天、雾天（小雾）、雾天（大雾）、积雪等多种天气状况。通过构建高速公路恶劣天气数据集，提取天气视觉特征，进行天气特征图分块，天气密集分类，天气结果融合，最终得到天气分类的结果。本发明在传统基于深度学习的分类算法基础上，提出了一种利用局部特征信息进行高速公路天气分类的卷积神经网络；同时针对网络的特殊结构，设计了相应的网络训练方法，通过利用局部特征信息，网络能够更好的注意散列分布在监控视频帧中的雨滴、积雪等天气元素，提高分类的准确度。
-
公开(公告)号：CN116824086B
公开(公告)日：2024-03-19
申请号：CN202310702787.5
申请日：2023-06-14
Applicant: 西南交通大学
IPC: G06T17/20 , G06V40/20 , G06V10/80 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/766 , G06V10/24 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/044 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及计算机视觉技术领域，公开了一种三维运动目标重建方法及系统，该方法，使用全局特征及局部特征的混合特征对三维运动目标的姿势参数和形态参数进行学习，并在循环迭代三维运动目标的特征的过程中最小化重建损失和最小化姿势对抗损失来实现三维运动目标重建。本发明解决了现有技术存在的对齐效果差、丢失了过多的特征信息、关节点约束困难等问题。
-
公开(公告)号：CN110874598A
公开(公告)日：2020-03-10
申请号：CN201911068509.9
申请日：2019-11-05
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于深度学习的高速公路水痕检测方法，包括以下步骤：步骤1：构建高速公路水痕数据集；步骤2：对步骤1构建的数据集进行自适应聚类分割；步骤3：对步骤1得到的数据集进行语义分割；步骤4：对步骤3和步骤4得到的分割结果进行融合，即得到所需高速公路水痕检测结果；本发明于深度学习的方法，将语义分割与自适应聚类分割相结合，可以高效率、高精度的进行高速公路水痕检测，可在高速公路水痕检测上取得很好的应用效果。
-
Patent Agency Ranking
公开(公告)号：CN114863356B
公开(公告)日：2023-02-03
申请号：CN202210236706.2
申请日：2022-03-10
Applicant: 西南交通大学
IPC: G06V20/52 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06F18/25 , G06F18/24 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明涉及涉及数据识别技术领域，尤其涉及智能视频图像分析技术领域，公开了一种基于残差聚合图网络的群体活动识别方法及系统，该方法包括以下步骤：S1，外观特征提取；S2，双分支推理；S3，加权融合；S4，群体活动预测。本发明解决了现有技术存在的难以有效区别拥有相似的个体动作而群体活动类别却不相同的视频片段、缺乏对不同语义特征的重要性筛选等问题。
-
公开(公告)号：CN114494999B
公开(公告)日：2022-11-15
申请号：CN202210058467.6
申请日：2022-01-18
Applicant: 西南交通大学
IPC: G06V20/52 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/62 , G06K9/62 , G06T7/73 , G06N3/04 , G06N3/08 , G06Q10/04
Abstract: 本发明涉及目标密集预测技术领域，公开了本发明提供了一种双分支联合型目标密集预测方法及系统。该双分支联合型目标密集预测方法，包括以下步骤：S1，利用待预测目标的图像生成特征图；S2，利用特征图中的计数特征生成预测密度图，以及，利用特征图中的定位特征生成预测位置图；S3，利用生成预测位置图的过程信息对生成的预测密度图进行更新优化，和/或，利用生成预测密度图的过程信息对生成的预测位置图进行更新优化。本发明解决了现有技术存在的密度图位置信息衰减以及对目标位置预测不准确等问题。
-
公开(公告)号：CN114863356A
公开(公告)日：2022-08-05
申请号：CN202210236706.2
申请日：2022-03-10
Applicant: 西南交通大学
Abstract: 本发明涉及涉及数据识别技术领域，尤其涉及智能视频图像分析技术领域，公开了一种基于残差聚合图网络的群体活动识别方法及系统，该方法包括以下步骤：S1，外观特征提取；S2，双分支推理；S3，加权融合；S4，群体活动预测。本发明解决了现有技术存在的难以有效区别拥有相似的个体动作而群体活动类别却不相同的视频片段、缺乏对不同语义特征的重要性筛选等问题。
-
公开(公告)号：CN113033363A
公开(公告)日：2021-06-25
申请号：CN202110274543.2
申请日：2021-03-15
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于深度学习的车辆稠密目标检测方法，包括S1、构建并训练多尺度降维卷积特征提取网络；S2、通过多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；S3、基于历史图像，生成先验知识锚框；S4、生成待检测图像中的所有目标候选区域；S5、对目标候选区域进行ROIpooling处理，获得具有车辆稠密目标检测结果。本发明考虑了稠密目标尺度差异大的特点，在faster‑rcnn网络的基础上，提出了多级多分辨、多尺寸降维卷积特征提取和基于形状先验的锚点窗口生成的思路，提高了对多尺度稠密模型的检测能力，有效解决了现有相关检测方法中存在的信息丢失问题，实现了对稠密目标的自动识别和辨别。
-
公开(公告)号：CN116824086A
公开(公告)日：2023-09-29
申请号：CN202310702787.5
申请日：2023-06-14
Applicant: 西南交通大学
IPC: G06T17/20 , G06V40/20 , G06V10/80 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/766 , G06V10/24 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/044 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及计算机视觉技术领域，公开了一种三维运动目标重建方法及系统，该方法，使用全局特征及局部特征的混合特征对三维运动目标的姿势参数和形态参数进行学习，并在循环迭代三维运动目标的特征的过程中最小化重建损失和最小化姿势对抗损失来实现三维运动目标重建。本发明解决了现有技术存在的对齐效果差、丢失了过多的特征信息、关节点约束困难等问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.013 seconds)
