-
公开(公告)号：CN113469097A
公开(公告)日：2021-10-01
申请号：CN202110789818.6
申请日：2021-07-13
申请人： 大连理工大学人工智能大连研究院 , 大连理工大学
摘要： 本发明涉及机器学习、图像识别领域，具体涉及一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：步骤1:通过视频录制、相机拍摄和网络收集来采集水面漂浮物数据；步骤2:采用数据降噪和数据增强算法进行水面漂浮物数据扩增；步骤三：采用Labelimg工具对水面漂浮物数据集标注；步骤四：采用迁移学习对SSD网络模型进行训练获取最优权重模型；步骤五：基于SSD网络最优权重模型的多相机水面漂浮物目标实时检测。本发明基于SSD网络对水面漂浮物进行多相机实时检测，能够有效降低光照、天气和动态背景对实时检测造成的干扰，同时弥补单一相机检测的缺陷，满足实时性和精度的要求。
-
公开(公告)号：CN114022812A
公开(公告)日：2022-02-08
申请号：CN202111282062.2
申请日：2021-11-01
申请人： 大连理工大学 , 大连理工大学人工智能大连研究院
摘要： 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法，属于机器学习、目标跟踪领域。首先，获得若干水面漂浮物的连续视频帧。其次，输入水面漂浮物视频数据，通过轻量化的SSD检测算法获取当前帧的水面漂浮物目标检测框，基于视频当前帧的目标检测框进行状态预测，获得当前视频帧下的水面漂浮物目标跟踪框。再次，计算所有水面漂浮物目标检测框和跟踪框之间的运动匹配度和表观匹配度，将运动匹配度和表观匹配度进行综合匹配得到关联代价。最后，通过匈牙利算法将水面漂浮物的关联代价矩阵Ci，j进行关联匹配，确定跟踪结果。本发明能够实现水面漂浮物多目标跟踪，降低反向传播的参数数量和内存成本，提高数据关联的准确性，改善光照和遮挡物的影响。
-
公开(公告)号：CN114022812B
公开(公告)日：2024-05-10
申请号：CN202111282062.2
申请日：2021-11-01
申请人： 大连理工大学 , 大连理工大学人工智能大连研究院
摘要： 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法，属于机器学习、目标跟踪领域。首先，获得若干水面漂浮物的连续视频帧。其次，输入水面漂浮物视频数据，通过轻量化的SSD检测算法获取当前帧的水面漂浮物目标检测框，基于视频当前帧的目标检测框进行状态预测，获得当前视频帧下的水面漂浮物目标跟踪框。再次，计算所有水面漂浮物目标检测框和跟踪框之间的运动匹配度和表观匹配度，将运动匹配度和表观匹配度进行综合匹配得到关联代价。最后，通过匈牙利算法将水面漂浮物的关联代价矩阵Ci，j进行关联匹配，确定跟踪结果。本发明能够实现水面漂浮物多目标跟踪，降低反向传播的参数数量和内存成本，提高数据关联的准确性，改善光照和遮挡物的影响。
-
公开(公告)号：CN113469097B
公开(公告)日：2023-10-17
申请号：CN202110789818.6
申请日：2021-07-13
申请人： 大连理工大学人工智能大连研究院 , 大连理工大学
IPC分类号： G06V20/10 , G06V20/52 , G06V10/30 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
摘要： 本发明涉及机器学习、图像识别领域，具体涉及一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：步骤1:通过视频录制、相机拍摄和网络收集来采集水面漂浮物数据；步骤2:采用数据降噪和数据增强算法进行水面漂浮物数据扩增；步骤三：采用Labelimg工具对水面漂浮物数据集标注；步骤四：采用迁移学习对SSD网络模型进行训练获取最优权重模型；步骤五：基于SSD网络最优权重模型的多相机水面漂浮物目标实时检测。本发明基于SSD网络对水面漂浮物进行多相机实时检测，能够有效降低光照、天气和动态背景对实时检测造成的干扰，同时弥补单一相机检测的缺陷，满足实时性和精度的要求。
-
公开(公告)号：CN116385915A
公开(公告)日：2023-07-04
申请号：CN202211098977.2
申请日：2022-09-06
申请人： 大连理工大学
IPC分类号： G06V20/40 , G06V10/22 , G06V10/762 , G06V10/80 , G06T7/20
摘要： 一种基于时空信息融合的水面漂浮物目标检测与跟踪方法。首先，获得不同时间、地点、季节和天气状况的水面漂浮物视频数据集。其次，在单帧检测中输入视频数据，通过改进的SSD检测算法获取当前帧的水面漂浮物目标检测框。再次，在多帧滤波中将视频第一帧的目标检测框作为改进KCF跟踪算法的输入进行目标跟踪，获得当前视频帧下的水面漂浮物目标跟踪框。最后，在完成视频帧中固定帧数的跟踪后，在下一帧视频帧中再次引入SSD检测算法获得漂浮物目标的新检测框，采取候选框选择策略比较新检测框和旧跟踪框的重合度进行跟踪判断。若重合度满足条件，则继续跟踪当前漂浮物目标；若重合度不满足条件，则将漂浮物目标视为新目标并输出，参与KCF跟踪算法的初始化跟踪新目标。本发明通过时空融合策略判断检测和跟踪信息是否属于新的漂浮物目标，降低目标物体的误检率和漏检率，提升漂浮物检测与跟踪的精度。
-
公开(公告)号：CN113887787A
公开(公告)日：2022-01-04
申请号：CN202111079661.4
申请日：2021-09-15
申请人： 大连理工大学
摘要： 一种基于长短时记忆网络和NSGA‑II算法的洪水预报模型多目标优化方法，首先，确定长短时记忆LSTM网络洪水预报模型的结构，将收集与整理的研究流域场次洪水资料划分为训练集、测试集场次，截取每次洪水的前期降雨序列使每个样本的输入降雨序列长度相等，得到训练集、测试集样本的输入降雨序列。其次，根据防洪保护对象的实际需求设计多个目标函数，构建LSTM洪水预报模型参数多目标优化框架，将LSTM洪水预报模型的前向计算嵌套至多目标优化框架内，循环更新与评价模型参数组，得到最优参数组。最后，将最优参数组输入LSTM洪水预报模型，并评估分析LSTM洪水预报模型的模拟、预报效果。本发明能够满足不同场景下LSTM洪水预报模型参数多目标优化的需求，为山洪灾害预报预警工作提供了新的技术支撑。
-
公开(公告)号：CN113887787B
公开(公告)日：2024-05-07
申请号：CN202111079661.4
申请日：2021-09-15
申请人： 大连理工大学
IPC分类号： G06Q10/04 , G06Q10/067 , G06Q50/26 , G06N3/0442 , G06N3/08
摘要： 一种基于长短时记忆网络和NSGA‑II算法的洪水预报模型多目标优化方法，首先，确定长短时记忆LSTM网络洪水预报模型的结构，将收集与整理的研究流域场次洪水资料划分为训练集、测试集场次，截取每次洪水的前期降雨序列使每个样本的输入降雨序列长度相等，得到训练集、测试集样本的输入降雨序列。其次，根据防洪保护对象的实际需求设计多个目标函数，构建LSTM洪水预报模型参数多目标优化框架，将LSTM洪水预报模型的前向计算嵌套至多目标优化框架内，循环更新与评价模型参数组，得到最优参数组。最后，将最优参数组输入LSTM洪水预报模型，并评估分析LSTM洪水预报模型的模拟、预报效果。本发明能够满足不同场景下LSTM洪水预报模型参数多目标优化的需求，为山洪灾害预报预警工作提供了新的技术支撑。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.046 秒)
