-
公开(公告)号：CN110516613A
公开(公告)日：2019-11-29
申请号：CN201910807214.2
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种第一视角下的行人轨迹预测方法，采用编解码结构结合循环卷积网络来预测第一视角下行人轨迹策略。原始图像经过编码得到的行人轨迹信息的特征向量，然后进行解码特征向量，预测出未来的行人的轨迹信息。在公共数据集和自己采集到的数据集里，本发明都会准确的预测出多个行人的未来10帧的轨迹信息，最终预测轨迹和最终实际轨迹之间的L2距离误差提高到40，比现有方法提高了30个像素精度。本发明提出了预测行人轨迹的时空卷积循环网络方法，利用一维卷积进行编解码处理，通过时空卷积网络预测，在目前的相关方法中，实现较简单、数据获取和处理清晰、简洁，实用性强。
-
公开(公告)号：CN110503680A
公开(公告)日：2019-11-26
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
公开(公告)号：CN104994506B
公开(公告)日：2018-06-19
申请号：CN201510427392.4
申请日：2015-07-20
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于攻击者检测的移动基站位置保护方法及系统,所述系统包括若干攻击者检测节点、事件监测节点以及基站，事件监测节点与基站构成第一层网络；攻击者检测节点与基站构成第二层网络；攻击者检测节点检测到攻击者，则所述攻击者检测节点成为报警节点；所述报警节点产生报警消息并发送给基站；距离该报警节点最近的事件监测节点产生假消息诱导攻击者远离基站；基站接收所述报警消息；判断基站是否安全，若基站不安全，则基站移动至远离攻击者的新地点且重新构建网络拓扑；基站安全，则基站静止不动。本发明能够实现在无人监管环境下的基站位置保护，有效增强基站位置的安全性且具有较低的通信开销。
-
公开(公告)号：CN116743777A
公开(公告)日：2023-09-12
申请号：CN202310721104.0
申请日：2023-06-15
Applicant: 大连海事大学
IPC: H04L67/1095 , H04L67/1097 , H04L9/40 , G06N20/00 , H04L9/00 , H04L67/12
Abstract: 本发明公开了一种车联网中支持可信机器学习的双层区块链架构的建立方法，包括以下步骤：动态分片内共识和建立双层区块链架构。本发明在各个分片中选举稳定性与可靠性较高的节点组成共识组，并依据节点的可靠性权重选取不可预测的主节点，并发起共识。经过验证的数据会打包成区块存储在各个分片中，从而实现数据的可信与不可篡改性。本发明在状态分片的基础上，采用实用拜占庭容错算法，通过选择可靠性更高的节点组成共识组，有效地提高共识的成功率，弱化拜占庭节点的影响，从而保障链上数据的准确性与可信性。本发明将双层区块链架构与机器学习进行耦合，构建支持可信机器学习的区块链系统，保障了机器学习结果的可信性。
-
公开(公告)号：CN104994506A
公开(公告)日：2015-10-21
申请号：CN201510427392.4
申请日：2015-07-20
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于攻击者检测的移动基站位置保护方法及系统,所述系统包括若干攻击者检测节点、事件监测节点以及基站，事件监测节点与基站构成第一层网络；攻击者检测节点与基站构成第二层网络；攻击者检测节点检测到攻击者，则所述攻击者检测节点成为报警节点；所述报警节点产生报警消息并发送给基站；距离该报警节点最近的事件监测节点产生假消息诱导攻击者远离基站；基站接收所述报警消息；判断基站是否安全，若基站不安全，则基站移动至远离攻击者的新地点且重新构建网络拓扑；基站安全，则基站静止不动。本发明能够实现在无人监管环境下的基站位置保护，有效增强基站位置的安全性且具有较低的通信开销。
-
Patent Agency Ranking
公开(公告)号：CN110503680B
公开(公告)日：2023-08-18
申请号：CN201910807213.8
申请日：2019-08-29
Applicant: 大连海事大学
IPC: G06T7/50 , G06N3/0464
Abstract: 本发明公开了一种基于非监督的卷积神经网络单目场景深度估计方法，包括以下步骤：获取目标图像各像素点的深度值；获取目标图像上像素坐标转移到下一帧图像时的相机位姿值；构建损失函数；基于非监督的条件随机场残差卷积神经网络场景进行深度估计。本发明采用非监督方法很好地解决了手工数据标注难问题，节省了人力，提高了经济效益。本发明采用线性链条件随机场思想，实现了对原始图像的特征表达。结合非监督残差卷积神经网络场景深度估计模型，构成了非监督的条件随机场残差卷积神经网络场景深度估计模型。本发明的模型在平均相对误差(rel)、准确率(acc)上均优于其它三种模型。
-
公开(公告)号：CN110797123B
公开(公告)日：2023-05-26
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
公开(公告)号：CN110516613B
公开(公告)日：2023-04-18
申请号：CN201910807214.2
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种第一视角下的行人轨迹预测方法，采用编解码结构结合循环卷积网络来预测第一视角下行人轨迹策略。原始图像经过编码得到的行人轨迹信息的特征向量，然后进行解码特征向量，预测出未来的行人的轨迹信息。在公共数据集和自己采集到的数据集里，本发明都会准确的预测出多个行人的未来10帧的轨迹信息，最终预测轨迹和最终实际轨迹之间的L2距离误差提高到40，比现有方法提高了30个像素精度。本发明提出了预测行人轨迹的时空卷积循环网络方法，利用一维卷积进行编解码处理，通过时空卷积网络预测，在目前的相关方法中，实现较简单、数据获取和处理清晰、简洁，实用性强。
-
公开(公告)号：CN111179345A
公开(公告)日：2020-05-19
申请号：CN201911381134.1
申请日：2019-12-27
Applicant: 大连海事大学
Abstract: 本发明公开了一种车载式车辆越线违章行为两阶段智能视觉检测方法及系统，其中方法包括如下步骤：通过车载摄像头参数建立成像的几何模型，采用LaneNet对车道线进行预测和拟合获取车道线信息；采用深度残差网络提取车辆特征，利用锚点机制预测车辆边界框信息获取车辆轮廓范围；将获取的交通场景重构图像、车道线以及车辆边界信息传送至云端，在云端采用几何坐标判定法判断车辆是否越线违章。该方法车载端基于机器视觉的智能场景重构；图像数据加密传输；云端车辆越线违章行为智能检测，从而判断车辆是否越线违章，该方法获取交通场景重构图像、车道线以及车辆边界信息具有实时性和准确性。
-
公开(公告)号：CN110503073A
公开(公告)日：2019-11-26
申请号：CN201910807587.X
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种第三视角下动态链接的密集多智能体轨迹预测方法，利用变分自编码器视觉组件进行数据压缩；输入轨迹帧X进入动态循环单元完成编码网络功能；对于编码的数据进行解码。本发明不仅能根据卷积核采样点的动态变化模拟到多智能体流体时空运动，而且能够提取多智能体所处位置的空间特征，并能根据数据学习到具体在特征图上采样那些像素点，减少了空间特征冗余。本发明采用数据驱动的方式根据固定卷积核在特征图上学习到权重，然后采用sigmoid函数对学习到的权重值操作，得到时空数据的采样幅度，更加符合客观采样规律，提高模型泛化能力。本发明无需采用智能体轨迹点，可以实现多步预测、提高模型泛化能力，减少了计算复杂度。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.021 seconds)
