-
公开(公告)号：CN110110769A
公开(公告)日：2019-08-09
申请号：CN201910331695.4
申请日：2019-04-24
Applicant: 长安大学
Abstract: 本发明公开了一种基于宽度径向基函数网络的图像分类方法，包括以下步骤：构建径向基函数网络；采用滑动窗口获得待处理图像的局部特征矩阵；通过宽度径向基函数网络对局部特征矩阵进行非线性变换，获得宽度径向基函数网络的输出数据；通过排序和下采样得到宽度径向基函数网络的高斯基函数输出，采用线性层权重对高斯基函数输出进行线性层连接，得到最终输出，即得到处理后的图像和训练后的宽度径向基函数网络。本发明采用滑动窗口获取待处理图像的局部特征，减少了隐藏层神经元个数，此外，采用排序和下采样的方式进一步减少了输出个数，解决了图像为尺寸较大时权值数指数增加的问题，从而可实现图像数据的高效分类。
-
公开(公告)号：CN105869408A
公开(公告)日：2016-08-17
申请号：CN201610272791.2
申请日：2016-04-27
Applicant: 长安大学
CPC classification number: G08G1/017 , G01J5/0022 , G01J5/505 , G01J2005/0033 , G01J2005/0077
Abstract: 本发明涉及一种汽车轮毂温度异常检测与预警方法及系统，系统包括监控摄像机、红外热像仪、控制主机及可变信息情报板。所述监控摄像机安装在道路上方，红外热像仪安装在路侧，可变信息情报板安置在监控摄像机下游；当车辆到达检测区域，监控摄像机和红外热像仪分别对车辆采集图像，并发送给控制主机；控制主机对监控摄像机所摄照片进行车牌识别；控制主机提取并融合热成像图像中轮毂的SBDD、HOG和LBP特征，再通过增量支持向量机分类判断其温度是否异常；当发现轮毂温度异常时，将车辆信息发送给可变信息情报板进行预警提示。本发明可有效对汽车轮毂温度异常进行检测并预警，从而避免刹车失灵、起火和爆胎等交通事故的发生。
-
公开(公告)号：CN116770762A
公开(公告)日：2023-09-19
申请号：CN202310873497.7
申请日：2023-07-17
Applicant: 中国公路工程咨询集团有限公司 , 中咨数据有限公司 , 长安大学
Abstract: 本发明公开了一种智慧公路工程养护作业装置，包括行车体和设置在行车体外部的水箱体，水箱体的外部设置有铺设机构，铺设机构包括可伸缩的辊轴，水箱体的外部设置有洒水机构，洒水机构包括水平连接管，水平连接管的外部安装有变频恒压水泵，水平连接管的外部固定连通有若干个波纹连接管，若干个波纹连接管远离水平连接管的一端均安装有鸭嘴喷头，若干个鸭嘴喷头的外部设置有控制伸缩组件。本发明通过启动水平电液推杆使两个竖直滑轨A之间的距离发生改变，即可使若干个鸭嘴喷头之间的距离发生改变，从而使得若干个鸭嘴喷头的喷洒范围发生改变，进而保证了喷洒范围的可调节且不影响喷洒水压功能的实现。
-
公开(公告)号：CN114998730A
公开(公告)日：2022-09-02
申请号：CN202210589876.9
申请日：2022-05-27
Applicant: 长安大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06F17/14
Abstract: 本发明涉及人工智能和遥感领域，具体涉及基于宽度和深度傅里叶网络的高光谱遥感影像分类方法。本发明的宽度深层傅里叶神经网络，在宽度方向上使用傅里叶变换提取高光谱影像的空间和光谱信息，在深度方向上逐层添加宽傅里叶层，提取图像的分层特征，提高了学习效率和学习精度；将影像转换到频率域上对其进行特征提取，使用快速傅里叶变换来加速计算过程；并且由于只使用了有效的傅立叶变换输出分量，所以输出的数据量大大减少，因此本发明的宽度和深度傅里叶网络只需要很小的计算量；在宽度和深度傅里叶神经网络中添加了一个全连接层用于分类，通过使用最小二乘法学习全连接层中的权重，使得网络训练过程更加简化。
-
公开(公告)号：CN112966623A
公开(公告)日：2021-06-15
申请号：CN202110279067.3
申请日：2021-03-16
Applicant: 长安大学
Abstract: 本发明属于人工智能和机器学习技术领域，公开了一种多层宽度神经网络及其训练方法和应用，可用高光谱遥感影像和普通图像分类任务。其每一层由滑动窗口的变换核进行非线性变换，向宽方向扩展以充分学习空间和频谱特征，并且引入了排序和下采样操作以减少该层的变换内核层的输出数量，每一层称为宽度滑动窗口和下采样层，即WSWS层，将多个WSWS层级联可以更大视野的更高级别的空间和光谱特征。该网络只需学习全连接层的权值，从而可以轻松的进行训练。
-
Patent Agency Ranking
公开(公告)号：CN112699821A
公开(公告)日：2021-04-23
申请号：CN202110005476.4
申请日：2021-01-04
Applicant: 长安大学
Abstract: 本发明提供一种基于驾驶员视觉注意预测的驾驶预警方法，通过将连续t帧图片输入至多层3维卷积神经网络模型，充分提取视频帧的时空特征，并输入相应的语义图作为辅助引导信息，利用目标物与目标物之间的关系虚拟为节点和边来构建区域关系图graph；利用图卷积网络，对驾驶环境中目标的时空关联关系进行建模，并将该语义关系与视频帧的时空特征融合，利用卷积LSTM网络，来进行信息的传递即将前面帧的关键目标区域转移到最后一帧，得到驾驶员视觉注意力的潜在表示，最后通过注意力图解码模块将驾驶员注意力表示变换得到最终的驾驶员视觉注意力图，有效的确认驾驶员的注意力的视线区域，通过对驾驶员注意力图分析，可以对驾驶员进行安全驾驶预警。
-
公开(公告)号：CN110110845B
公开(公告)日：2020-09-22
申请号：CN201910331708.8
申请日：2019-04-24
Applicant: 长安大学
IPC: G06N3/04
Abstract: 本发明公开了一种基于并行多级宽度神经网络的学习方法，包括以下步骤：获取验证集，构建基分类器；对并行M级宽度神经网络的每级进行训练和验证，得到训练后的并行M级宽度神经网络和每级宽度神经网络对应的验证输出；通过统计计算得到每级宽度神经网络的决策阈值；通过测试集对验证后的并行多级宽度神经网络进行测试。本发明的神经网络具有多级结构，每级针对数据的不同部分进行学习，且可实现并行化训练和测试。每一级采用一种宽度神经网络在宽度方向进行特征学习；通过多个宽度神经网络作为基分类器在宽度方向的再次连接，实现两个宽度方向上的分类器集成；通过增加新一级的宽度神经网络实现网络的增量学习；且可实现并行化测试。
-
公开(公告)号：CN116630660A
公开(公告)日：2023-08-22
申请号：CN202310490266.8
申请日：2023-05-04
Applicant: 长安大学
IPC: G06V10/75 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种多尺度增强学习的跨模态图像匹配方法，包括以下步骤：S1.在神经网络模型中输入基准图和实时图；S2.基于ResNet网络对所述基准图和实时图进行特征提取，将ResNet网络中的第2、3、4层特征通过区域推荐模块得到实时图特征在基准图特征中的相关区域；S3.通过Transformer特征融合模块对步骤S2中ResNet网络提取出来的特征进行融合；S4.将步骤S3中的融合特征输入到特征解码模块中，得到实时图在基准图中的位置；S5.输出步骤S4中得到的位置匹配结果。本发明所输入的不同模态的基准图和实时图，都能得到实时图在基准图中的准确位置，不论是SAR图像、可见光图像还是远红外图像都能够得到较好的匹配结果，与传统匹配方法相比，该方法潜力大、鲁棒性强、效率高。
-
公开(公告)号：CN112949528B
公开(公告)日：2023-08-15
申请号：CN202110269503.9
申请日：2021-03-12
Applicant: 长安大学
IPC: G06V20/52 , G06V20/40 , G06V10/774 , G06V10/82 , G06N3/042
Abstract: 本发明公开了一种基于时空重要性的隧道内车辆再识别方法，属于车辆检测领域。本方法首先利用图论对隧道路网进行建模，从而得到隧道路网拓扑图。训练时要在拓扑图上计算所有相邻节点之间的注意力系数，用于对样本对之间的相似度进行加权约束，从而提高再识别算法的精度。以训练集为候选集，从候选集中取样时，利用多示例学习的方式，将训练集划分为多个多示例包，利用多示例包的特征表示来涵盖每个示例的特征，这一采样方式缩小了候选图片的范围。本发明方法区别于传统车辆再识别方法，充分利用了隧道监控设备的时空分布信息对候选集图像进行约束，并缩短了再识别图像匹配所需时间，提高了监控图像不足够清晰时再识别算法的精度。
-
公开(公告)号：CN114998848A
公开(公告)日：2022-09-02
申请号：CN202210561631.5
申请日：2022-05-23
Applicant: 长安大学
IPC: G06V20/54 , G06V10/40 , G06V10/62 , G06V10/74 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及道路监控视频车辆检测领域，具体涉及一种基于时空对比无监督学习的车辆再识别方法。通过利用视觉时孔特征提取模型，融合了摄像机编号、时间戳记等时空信息和图片本身的视觉信息，构造出了更具代表性的融合特征，实现了对摄像机身份编号以及时间戳记的有效利用，通过时空信息对无监督车辆再识别模型加以约束，提升了模型的精度。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.014 seconds)
