-
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。
-
公开(公告)号：CN112949528A
公开(公告)日：2021-06-11
申请号：CN202110269503.9
申请日：2021-03-12
Applicant: 长安大学
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。
-
-
Search Results
3
records
(took 0.022 seconds)
