-
Patent Agency Ranking
公开(公告)号：CN114286375B
公开(公告)日：2023-08-18
申请号：CN202111545764.5
申请日：2021-12-16
Applicant: 北京邮电大学
IPC: H04W24/08 , H04B17/345 , H04B17/309
Abstract: 本发明公开了一种移动通信网络干扰定位方法，属于网外未知干扰源定位领域；首先，选取路测点进行反向射线跟踪，模拟从干扰源到各起点的信号传播轨迹，筛选相似轨迹；然后，将干扰源搜索区域划分成立体栅格，将栅格作为节点，将轨迹连续经过的两个栅格之间形成边，组成网络模型。根据栅格索引计算各节点的属性值构成初始节点集，按过滤规则将不可能成为干扰源的节点过滤掉，剩下候选节点集。计算每个候选节点的影响力以及每个节点对应的所有边的传播概率，在网络模型中进行影响力传播，并选择传播影响力最大的节点作为干扰源定位位置。本发明保证在达到较理想的定位精度的同时，减少人力物力的投入。
-
公开(公告)号：CN114286375A
公开(公告)日：2022-04-05
申请号：CN202111545764.5
申请日：2021-12-16
Applicant: 北京邮电大学
IPC: H04W24/08 , H04B17/345 , H04B17/309
Abstract: 本发明公开了一种移动通信网络干扰定位方法，属于网外未知干扰源定位领域；首先，选取路测点进行反向射线跟踪，模拟从干扰源到各起点的信号传播轨迹，筛选相似轨迹；然后，将干扰源搜索区域划分成立体栅格，将栅格作为节点，将轨迹连续经过的两个栅格之间形成边，组成网络模型。根据栅格索引计算各节点的属性值构成初始节点集，按过滤规则将不可能成为干扰源的节点过滤掉，剩下候选节点集。计算每个候选节点的影响力以及每个节点对应的所有边的传播概率，在网络模型中进行影响力传播，并选择传播影响力最大的节点作为干扰源定位位置。本发明保证在达到较理想的定位精度的同时，减少人力物力的投入。
-
公开(公告)号：CN107203754B
公开(公告)日：2019-04-12
申请号：CN201710384312.0
申请日：2017-05-26
Applicant: 北京邮电大学
Abstract: 本申请实施例提供了一种基于深度学习的车牌定位方法及装置。所述方法包括：将获得的待定位图像输入特征提取网络，获得特征提取网络提取的特征图，将特征图输入选框网络，获得选框网络确定的所述待定位图像中车牌的候选区域；特征提取网络和选框网络预先通过样本车牌图像训练而成；对候选区域进行扩展，将获得的扩展区域输入分类网络，获得分类网络确定的分类结果；分类网络用于根据分类网络训练完成时获得的车牌区域周围的车辆纹理特征，确定所输入的扩展区域是否包含车牌区域的分类结果；当分类结果表示扩展区域包含车牌区域时，从扩展区域中确定待定位图像的车牌区域。应用本申请实施例提供的方案，能够在复杂场景下提高车牌定位的准确率。
-
公开(公告)号：CN107610113A
公开(公告)日：2018-01-19
申请号：CN201710820882.X
申请日：2017-09-13
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种图像中基于深度学习的小目标的检测方法及装置，所述方法包括：获取待检测图像；基于待检测图像及预先训练完成的目标检测器模型，获得待检测图像中目标的类别及其在待检测图像中位置坐标，该过程包括：将待检测图像输入目标特征提取器，得到特征图；将特征图输入目标区域生成网络，得到候选框的坐标；将候选框坐标输入上下文信息层，根据候选框坐标，按照预设计算方式进行计算，得到垂直候选框坐标及水平候选框坐标；将各候选框坐标及特征图输入目标区域分类网络，得到目标的类别及位置坐标。即使对于图像中较小的目标，由于目标区域分类网络得到了更多的特征信息，因此提高了在检测像交通指示牌之类的小目标时的准确率。
-
公开(公告)号：CN107203754A
公开(公告)日：2017-09-26
申请号：CN201710384312.0
申请日：2017-05-26
Applicant: 北京邮电大学
CPC classification number: G06K9/00791 , G06K9/46 , G06K9/6256 , G06K9/6262 , G06K9/6268 , G06K2209/15
Abstract: 本申请实施例提供了一种基于深度学习的车牌定位方法及装置。所述方法包括：将获得的待定位图像输入特征提取网络，获得特征提取网络提取的特征图，将特征图输入选框网络，获得选框网络确定的所述待定位图像中车牌的候选区域；特征提取网络和选框网络预先通过样本车牌图像训练而成；对候选区域进行扩展，将获得的扩展区域输入分类网络，获得分类网络确定的分类结果；分类网络用于根据分类网络训练完成时获得的车牌区域周围的车辆纹理特征，确定所输入的扩展区域是否包含车牌区域的分类结果；当分类结果表示扩展区域包含车牌区域时，从扩展区域中确定待定位图像的车牌区域。应用本申请实施例提供的方案，能够在复杂场景下提高车牌定位的准确率。
-
-
-
-
Search Results
5
records
(took 0.024 seconds)
