-
公开(公告)号：CN110334743A
公开(公告)日：2019-10-15
申请号：CN201910496327.5
申请日：2019-06-10
申请人： 浙江大学
摘要： 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
公开(公告)号：CN111723645B
公开(公告)日：2023-04-18
申请号：CN202010332673.2
申请日：2020-04-24
申请人： 浙江大学
IPC分类号： G06V40/10 , G06V20/40 , G06V10/774 , G06V10/764
摘要： 本发明公开了一种用于同相机内有监督场景的多相机高精度行人重识别方法。在同一行人场景下采用多相机进行拍摄，选择基础网络模型并预训练后修改，采集获得待训练的行人图片集，建立针对各相机的行人记忆特征并初始化；基于已有的待训练的行人图片集，对基础网络模型进行同相机阶段的训练优化和监督；以训练后的行人记忆特征并结合采用聚类方法得到行人伪标签，用行人伪标签再对基础网络模型进行微调训练；对训练所得的基础网络模型进行跨相机行人重识别应用。本发明只需同个相机内图片标注场景下有效提高识别性能，达到与全监督场景下相当的重识别准确度，达到与全监督场景相当的行人重识别准确率。
-
公开(公告)号：CN110443174B
公开(公告)日：2021-08-10
申请号：CN201910683172.6
申请日：2019-07-26
申请人： 浙江大学
摘要： 本发明公开了一种基于解耦自适应判别性特征学习的行人重识别方法，包括：(1)选取已有的行人重识别模型，将模型分为特征抽取层和分类器层；(2)在训练阶段，每训练完N遍数据后对分类器层的参数进行随机初始化，特征抽取层的学习率随数据的迭代不断降低，分类器层的学习率保持不变；训练直到目标函数收敛；(3)在测试阶段，只保留特征抽取层，作为训练好的网络模型；(4)在行人检索阶段，用训练好的网络模型抽取图片库中每张图片的特征向量，将待查询行人图片特征向量和图片库中每张图片特征向量进行相似度排序并选择排序最靠前的图片的身份作为最终识别结果。利用本发明，可以很好地解决了现在行人特征学习网络优化不充分的问题。
-
公开(公告)号：CN110717627B
公开(公告)日：2022-01-25
申请号：CN201910934228.0
申请日：2019-09-29
申请人： 浙江大学
摘要： 本发明公开了一种基于对偶图框架的全量交通预测方法，包括：(1)将路网结构表示为拓扑图，将路口作为节点，将连接路口的路段作为边；准备历史的边、节点数据以及未来的边、节点数据；(2)构造历史信息编码器，将历史数据输入到编码器中，通过多层的对偶映射，实现边和节点之间的信息传递，将多层对偶映射的输出拼接为历史特征张量；(3)构造未来预测解码器，将历史特征张量解码成未来时空特征，输出未来预测结果；(4)将预测结果和实际数据之间的误差作为损失函数来进行模型训练，直到损失函数收敛；(5)用训练好的模型，进行模型测试，测试完毕后进行应用。本发明的预测结果能够得到未来交通状况的全量完整描述，预测准确度高。
-
公开(公告)号：CN110570672B
公开(公告)日：2020-12-01
申请号：CN201910881544.6
申请日：2019-09-18
申请人： 浙江大学
摘要： 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
公开(公告)号：CN111754775A
公开(公告)日：2020-10-09
申请号：CN202010634989.7
申请日：2020-07-03
申请人： 浙江大学
摘要： 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
公开(公告)号：CN110570672A
公开(公告)日：2019-12-13
申请号：CN201910881544.6
申请日：2019-09-18
申请人： 浙江大学
摘要： 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
公开(公告)号：CN112784772B
公开(公告)日：2022-05-27
申请号：CN202110111355.8
申请日：2021-01-27
申请人： 浙江大学
IPC分类号： G06V40/10 , G06V10/26 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于对比学习的相机内有监督跨相机行人重识别方法。首先经过多相机拍摄采集，获得子图片集和待训练的行人图片集，独立地在每个相机下对图片所代表行人进行标注，不对跨相机行人进行标注。之后以每个相机下的每个行人作为一个节点构造行人图，基于行人图对跨相机行人进行关联，对待训练的行人图片集处理获得每个图片的伪标签；将待训练的行人图片集以小批次训练方式输入到参考网络模型中进行训练，使用渐进对比损失函数进行监督；重复小批次训练；重复进行多次训练周期的训练，将多次训练周期的训练过程分为两个阶段，对参考网络模型进行迭代优化，训练结束后，对训练所得的基础网络模型进行跨相机行人重识别应用。本发明方法在只需同个相机内标注的半监督场景下，可达到与全监督场景相当的重识别准确率。
-
公开(公告)号：CN110321801B
公开(公告)日：2021-08-03
申请号：CN201910496351.9
申请日：2019-06-10
申请人： 浙江大学
摘要： 本发明公开了一种基于自编码网络的换衣行人重识别方法及系统，其中，方法包括：(1)对行人图片中行人的衣服部分生成掩膜；(2)利用衣服特征编码器EA获取衣服特征表示向量；(3)根据掩膜去掉行人图片中的衣服部分，利用换衣图片生成器G生成换衣图片；(4)构建衣服无关特征学习网络，包含特征提取器F以及图片生成器R；(5)将真实行人图片以及生成的换衣图片两两配对，对特征提取器F进行训练；(6)训练收敛后，输入真实、有标记的行人图片，使用交叉熵损失函数对特征提取器F进行微调；(7)利用最终得到的特征提取器F进行行人重识别的应用。利用本发明，使得在行人外貌变化丰富的场景下，能够学习得到鲁棒的判别性特征。
-
公开(公告)号：CN110334743B
公开(公告)日：2021-05-04
申请号：CN201910496327.5
申请日：2019-06-10
申请人： 浙江大学
摘要： 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
-
-
-
-
-
-
-
-
搜索结果
20 条记录 (耗时 0.021 秒)