-
公开(公告)号：CN111382690B
公开(公告)日：2022-09-06
申请号：CN202010148337.2
申请日：2020-03-05
Applicant: 南京理工大学
IPC: G06V10/774 , G06V20/54 , G06V10/80 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于多损失融合模型的车辆再识别方法，该方法针对车辆再识别问题，设计了一种深度卷积神经网络结构，采用一种多损失融合模型来联合监督深度卷积神经网络的训练，实现对车辆同ID样本差异和不同ID样本差异的联合优化，旨在学习到更具有辨别力的特征表达。其中，提出的多集群中心损失函数可以拉开类间距离并且拉近类内距离，使得属于同一ID的车辆特征尽可能的靠近类中心，有效提高了特征表达的辨别力。本发明提出的多损失融合模型，结合多种数据增强方式，有效地提高了车辆再识别的精度。
-
公开(公告)号：CN111382690A
公开(公告)日：2020-07-07
申请号：CN202010148337.2
申请日：2020-03-05
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多损失融合模型的车辆再识别方法，该方法针对车辆再识别问题，设计了一种深度卷积神经网络结构，采用一种多损失融合模型来联合监督深度卷积神经网络的训练，实现对车辆同ID样本差异和不同ID样本差异的联合优化，旨在学习到更具有辨别力的特征表达。其中，提出的多集群中心损失函数可以拉开类间距离并且拉近类内距离，使得属于同一ID的车辆特征尽可能的靠近类中心，有效提高了特征表达的辨别力。本发明提出的多损失融合模型，结合多种数据增强方式，有效地提高了车辆再识别的精度。
-
公开(公告)号：CN112464730B
公开(公告)日：2022-09-27
申请号：CN202011210554.6
申请日：2020-11-03
Applicant: 南京理工大学
Abstract: 本发明属于计算机视觉和模式识别领域，具体涉及一种基于域无关前景特征学习的行人再识别方法。该方法设计了一种域无关特征学习的深度神经网络，联合使用实例归一化和批量归一化，实现对图像内容的域无关特征学习；基于该网络，同时设计了一种基于行人语义分割的前景特征表示模型，通过对行人语义部分的特征建模，排除背景干扰，实现域无关的行人前景特征表示学习；该方法首先利用行人语义分割算法获取到行人前景图像，再联合实例归一化和批量归一化的深度卷积神经网络提取特征，然后利用损失函数约束模型训练。本发明提出的方法能够有效增强行人再识别模型的跨域泛化性能。
-
公开(公告)号：CN108416287B
公开(公告)日：2022-04-01
申请号：CN201810176956.5
申请日：2018-03-04
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于遗漏负样本挖掘的行人检测方法。方法为：首先将训练样本输入到基础网络，生成用于RPN网络训练的前景样本和背景样本；然后单独训练RPN网络，使用RPN网络提取训练集上的候选区域作为Fast R‑CNN的训练样本；使用阈值T进行遗漏负样本挖掘，将得到的负样本与训练样本合并，训练Fast R‑CNN网络；采用交替训练的方式训练RPN网络和Fast R‑CNN网络，共享卷积层特征，得到Faster R‑CNN目标检测器；最后将待检测图片输入到Faster R‑CNN目标检测器，得到行人检测结果。本发明方法计算量小、易于实现，并且提高了行人检测的召回率、精度率和F1测度三个联合测量指标。
-
公开(公告)号：CN114187610A
公开(公告)日：2022-03-15
申请号：CN202111461351.9
申请日：2021-12-02
Applicant: 南京理工大学
IPC: G06V40/10 , G06V10/74 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种基于深度主动学习的低成本行人再识别方法，将动态样本选择与聚类预测伪标签集成到统一的框架中；该方法包括：获取行人数据集，输入无监督聚类模型，生成伪标签；基于主动学习思想，选择hard‑negative和hard‑positive行人样本对进行人工标记，根据标记结果分裂合并类簇，优化聚类结构，得到更加可靠的伪标签；带有伪标签的行人样本被用于模型训练，从而学习到更具有辨别力的特征表达，如此循环直到模型稳定。本发明能够解决在标记样本的人工成本有限，大量训练数据缺乏标签时行人再识别精度下降的问题。
-
Patent Agency Ranking
公开(公告)号：CN108364027A
公开(公告)日：2018-08-03
申请号：CN201810176949.5
申请日：2018-03-04
Applicant: 南京理工大学
Abstract: 本发明公开了一种快速的前向多车型车辆检测方法。方法为：首先准备多车型的训练正负样本，并归一化到同一尺度；设置训练参数，训练得到Adaboost分类器；然后输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口；接着利用训练好的Adaboost分类器对所有检测窗口进行分类，并且合并检测窗口；最后根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测。本发明方法简单、计算效率高，并且提升了前方车辆检测的精准性。
-
公开(公告)号：CN101870293B
公开(公告)日：2013-06-05
申请号：CN200910031026.1
申请日：2009-04-24
Applicant: 南京理工大学
IPC: B60W30/12
Abstract: 本发明公开了一种基于切道行为检测的车辆驾驶状态评价方法，通过摄像头对前方路况进行视频采集和实时处理，达到对车辆的不断切道、长时间压线行驶等危险驾驶行为的监测，并及时预警，即在车辆内部安装一个面向前方的摄像头来获取前方路况信息；进行车道线的检测与跟踪；判定车辆的当前位置状态，如果车辆进入压线状态，进行状态跟踪以判定车辆是否变道操作；如果是变道操作，根据最近一段时间内的变道次数判断车辆的行为危险度；如果在近段时间内处于压线状态的总时间占到m％，则做出长时间压线行驶的警报。本发明面向车辆主动安全驾驶，采用计算机单目视觉与图像处理技术，具有系统配置简单、价格成本低、实时性好、能应用于白昼黑夜以及多种气候环境的特点。
-
公开(公告)号：CN119693913A
公开(公告)日：2025-03-25
申请号：CN202411677998.9
申请日：2024-11-22
Applicant: 南京理工大学
IPC: G06V20/58 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/088 , G06N3/084
Abstract: 本发明公开了一种基于典型场景的稀少交通标志实例生成方法，该方法使用无监督场景分类算法，将交通标志数据集中的图片划分为若干个场景，再设计了一种“获取‑覆盖”技术，可以获取交通标志的目标实例并覆盖在其他交通标志上，实现了对交通数据集中稀少交通标志的数据增广；该方法的输入是一份交通标志相关的数据集，对于每一张数据集图片，首先使用无监督分类算法计算该图片所在的交通场景分类，再使用“获取‑覆盖”方法，获取到稀少交通标志实例后，将该实例粘贴并覆盖在其他交通场景的目标实例上，形成新的数据集样本，实现稀少交通标志的数据增广。本发明提出的方法能够有效实现交通场景中稀少交通标志的数据增广。
-
公开(公告)号：CN115909398A
公开(公告)日：2023-04-04
申请号：CN202211423292.0
申请日：2022-11-15
Applicant: 南京理工大学
IPC: G06V40/10 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于特征增强的跨域行人再识别方法，该方法为：首先建立模型，获取数据集，输入到模型中；在训练第一阶段建立实例归一化高斯过程，收集实例归一化的统计，加入到高斯过程中，采样出新的实例归一化统计，作为实例归一化的再平移和再缩放参数，提取图片的特征进行分类，计算交叉熵损失，进行反向传播，更新模型的参数；接着在训练第二阶段建立批归一化高斯过程，收集批归一化参数，加入到高斯过程中，同时采样新的参数进行批归一化操作，再次提取图片的特征进行分类，计算交叉熵损失，进行反向传播，更新模型的参数和高斯过程的超参数；迭代得到最终的模型，进行行人再识别。本发明提高了跨域识别泛化行人再识别能力和识别性能。
-
公开(公告)号：CN111191535B
公开(公告)日：2022-08-09
申请号：CN201911309623.6
申请日：2019-12-18
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度学习的行人检测模型构建方法及行人检测方法，该方法设计了一种深度卷积神经网络结构，联合采用改进的排斥损失来监督深度卷积神经网络的训练，该方法首先利用特征提取网络从图像中提取特征图，然后利用多步预测的方式生成行人预测框，最后利用非极大值抑制策略过滤出最终的行人检测框。本发明提出的方法能够有效减少由于类内遮挡引起的漏检和误检。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.022 seconds)
