-
公开(公告)号：CN112069868A
公开(公告)日：2020-12-11
申请号：CN202010595050.4
申请日：2020-06-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于卷积神经网络的无人机实时车辆检测方法，包括步骤如下：(1)制作数据集；(2)聚类出9个锚框；(3)搭建浅层神经网络；(4)添加注意力机制；(5)加入张量自适应模块；(6)在嵌入式设备中训练与测试。本发明构建了一个浅层神经网络，参数量较少，在Jetson tx2适用于无人机的嵌入式设备中运行并且满足实时性的要求；在卷积层之间加入CBAM注意力机制，有利于卷积网络对特征的提取；基于特征金字塔网络进行特征融合后，引入自适应张量选择模块，使网络能够根据目标的语义信息选择最合适的检测张量，进一步提升模型检测的准确性。
-
公开(公告)号：CN113837048B
公开(公告)日：2023-08-01
申请号：CN202111090480.1
申请日：2021-09-17
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/40 , G06V10/74 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于少样本注意力的车辆重识别方法，所述方法包括步骤：将车辆图片输入到预先训练好的少样本注意力模块FSAM中，得到注意力图；将目标域图片输入特征提取网络F‑Net，获取特征图，并通过特征图整合模块FMIM进行整合，得到新特征图；通过计算注意力图与新特征图两者的距离，根据距离大小输出相似度最高的车辆图片；本发明有效地解决了传统方法需要大量车辆图片来训练网络的问题，不仅增强了网络的泛化能力，还提高了网络的效率和车辆重识别的精确度。
-
公开(公告)号：CN113191218A
公开(公告)日：2021-07-30
申请号：CN202110394724.9
申请日：2021-04-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于双线性注意力汇集和卷积长短期记忆的车型识别方法，分为三个阶段，第一阶段为注意力图汇集阶段，在主干网络的特征提取部分添加一个注意力学习模块分支，将注意力模块学到的注意力图与主干网络的原输出特征图做双线性汇集操作，生成对车型分类贡献较大的局部特征图。第二阶段将局部特征图转化为特征矩阵，第三阶段引入ConvLSTM结构，串联多个Cell，进一步学习局部特征之间的空间关系，然后将ConvLSTM结构输出的特征图送入到全连接层，使用分类器分类。本发明学习不同局部特征间的空间关系，获得丰富的特征信息，使得网络模型能够应对跨摄像头视频监控下不同姿态的车型识别，有效地提高细粒度车型识别的准确率。
-
公开(公告)号：CN112071075B
公开(公告)日：2022-10-14
申请号：CN202010595381.8
申请日：2020-06-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种逃逸车辆重识别方法，包括步骤如下：(1)构建目标摄像头拓扑网络，预测关联摄像头轨迹；(2)基于视角感知的度量学习，在S‑view同视角和D‑view跨视角样本中学习两种不同深度度量；(3)基于双路径自适应注意力下车辆重识别；双路径包括全局路径和局部路径，步骤(2)S‑view同视角和D‑view跨视角特征空间中分别进行双路径车辆重识别，全局路径提取图片全局特征，局部路径用于全局特征补充。本发明通过构建可疑车辆摄像头拓扑网络，得到时序最优的重点监控区域；利用深度度量学习应用不同的损失函数，加入自适应注意力模型，进行重识别任务并得到车辆的行走轨迹，提高了逃逸车辆重识别的准确度。
-
公开(公告)号：CN112071075A
公开(公告)日：2020-12-11
申请号：CN202010595381.8
申请日：2020-06-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种逃逸车辆重识别方法，包括步骤如下：(1)构建目标摄像头拓扑网络，预测关联摄像头轨迹；(2)基于视角感知的度量学习，在S‑view同视角和D‑view跨视角样本中学习两种不同深度度量；(3)基于双路径自适应注意力下车辆重识别；双路径包括全局路径和局部路径，步骤(2)S‑view同视角和D‑view跨视角特征空间中分别进行双路径车辆重识别，全局路径提取图片全局特征，局部路径用于全局特征补充。本发明通过构建可疑车辆摄像头拓扑网络，得到时序最优的重点监控区域；利用深度度量学习应用不同的损失函数，加入自适应注意力模型，进行重识别任务并得到车辆的行走轨迹，提高了逃逸车辆重识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN115205817A
公开(公告)日：2022-10-18
申请号：CN202210757841.1
申请日：2022-06-30
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于全局优化和局部增强的车辆重识别方法，所述方法包括：将车辆图片输入到特征提取网络F‑Net中提取车辆的全局特征；将车辆的全局特征输入到基于transformer的全局特征优化模块中，生成优化后的全局特征；将特征提取网络F‑Net学习到的车辆图片特征向量输入特征筛选模块和元注意力模块，生产注意力权重；将注意力权重与全局特征做信道乘，得到注意力图；本发明提出了一个新的基于transformer和元学习的少样本车辆重识别网络，有效降低了网络对样本的依赖，提高了模型的效率，网络的泛化能力也得到了增强，同时提高了车辆重识别的精确度。
-
公开(公告)号：CN113837048A
公开(公告)日：2021-12-24
申请号：CN202111090480.1
申请日：2021-09-17
Applicant: 南京信息工程大学
Abstract: 基于少样本注意力的车辆重识别方法。本发明公开了将车辆图片输入到预先训练好的少样本注意力模块FSAM中，得到注意力图；将目标域图片输入特征提取网络F‑Net，获取特征图，并通过特征图整合模块FMIM进行整合，得到新特征图；通过计算注意力图与新特征图两者的距离，根据距离大小输出相似度最高的车辆图片；本发明有效地解决了传统方法需要大量车辆图片来训练网络的问题，不仅增强了网络的泛化能力，还提高了网络的效率和车辆重识别的精确度。
-
公开(公告)号：CN112149720A
公开(公告)日：2020-12-29
申请号：CN202010940542.2
申请日：2020-09-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种细粒度车辆类型识别方法，提出了标签平滑和Cross‑X学习鲁棒的细粒度车辆图像特征方法，通过利用不同车辆图像之间，不同网络层之间的关系以及最大化模型的预测多样性，联合处理每个车辆图像的特定部分特征，提高了模型学习的效率，网络的泛化能力得到了增强，有效地提高了细粒度车辆类型识别的准确度。
-
公开(公告)号：CN115239982A
公开(公告)日：2022-10-25
申请号：CN202210830684.2
申请日：2022-07-15
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种视频遮挡车辆重识别的方法，所述方法包括：将车辆图像输入3D‑CNN主干网模型进行特征提取；通过自适应边缘传递图卷积层对提取的特征进行处理，输出xout特征，并对xout特征多层级联得到关系特征xA；将关系特征xA输入跨层级对齐层得到相似拓补特征；对相似拓补特征计算相似性，将计算的结果与预设的阈值比较，若大于阈值，则车辆图像是相同的，反之则不同；本发明提出了车辆遮挡的重识别方法，通过主干网络对不同对象进行特征提取，并利用图像对比拓补的方法，对目标遮挡部分获取拓补信息，联合处理对象的部分特征，提高了该模型的训练效率，有效地提高了车辆遮挡重识别的准确度。
-
公开(公告)号：CN114091510A
公开(公告)日：2022-02-25
申请号：CN202111090479.9
申请日：2021-09-17
Applicant: 南京信息工程大学
Abstract: 基于领域自适应的跨域车辆重识别方法。本发明公开了将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean‑Net网络模型；将源域图片输入Mean‑Net网络模型中输出的预测值标记为软伪标签；将目标域图片通过聚类算法得到硬伪标签；通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；通过三条Net网络模型，即Net1，Net2和Net3，对应的软分类损失函数和硬分类损失函数构建循环平均学习框架；将车辆数据图片输入构建循环平均学习框架输出相同车辆图片。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.117 seconds)
