-
公开(公告)号：CN111611919B
公开(公告)日：2022-08-16
申请号：CN202010431561.2
申请日：2020-05-20
申请人： 西安交通大学苏州研究院
IPC分类号： G06V20/54 , G06V10/774 , G06V10/764 , G06V10/26 , G06V10/40 , G06K9/62
摘要： 一种基于结构化学习的道路场景布局分析方法，采集和扩充交通场景图像数据集，并且对数据集按场景平台分类进行标注和预处理；对图像进行子区域分割，先对图像进行超像素分割，用超像素的特征和标签训练增强决策树回归器，得到初始分割结果，再用马尔科夫随机场优化初始分割结果得到最终分割结果；然后在子区域上提取特征，用子区域特征和隐变量标签训练SVM分类器，预测出每张图片子区域隐变量的组合；最后用子区域隐变量的组合和场景平台标签的对应关系构建决策树，通过决策树找到这组标签最终对应的场景平台的标签；本发明基于简单道路交通场景环境的道路场景图片和视频，能够有效实现交通场景平台的预测，预测效果较准确，方法简单有效。
-
公开(公告)号：CN111652293B
公开(公告)日：2022-04-26
申请号：CN202010432575.6
申请日：2020-05-20
申请人： 西安交通大学苏州研究院
IPC分类号： G06V10/774 , G06V10/80 , G06V10/764 , G06K9/62 , G06N3/04
摘要： 本发明公开了一种多任务联合判别学习的车辆重识别方法。方法通过多分支的网络联合学习多个任务，来获取车辆的细粒度判别性特征。网络通过属性学习和ID学习两个分支获取网络输出特征向量，同时再用一个度量学习和ID学习任务来约束该特征向量，通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数，度量学习使用了不同于其他方法的Trihard损失函数。通过创新性网络结构的提出和损失函数的改进，使车辆重识别和检索的精度得到显著提升。本发明基于道路监控场景的大型车辆数据集实现，可以有效地应用于车辆查找任务。
-
公开(公告)号：CN111652293A
公开(公告)日：2020-09-11
申请号：CN202010432575.6
申请日：2020-05-20
申请人： 西安交通大学苏州研究院
摘要： 本发明公开了一种多任务联合判别学习的车辆重识别方法。方法通过多分支的网络联合学习多个任务，来获取车辆的细粒度判别性特征。网络通过属性学习和ID学习两个分支获取网络输出特征向量，同时再用一个度量学习和ID学习任务来约束该特征向量，通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数，度量学习使用了不同于其他方法的Trihard损失函数。通过创新性网络结构的提出和损失函数的改进，使车辆重识别和检索的精度得到显著提升。本发明基于道路监控场景的大型车辆数据集实现，可以有效地应用于车辆查找任务。
-
公开(公告)号：CN111611919A
公开(公告)日：2020-09-01
申请号：CN202010431561.2
申请日：2020-05-20
申请人： 西安交通大学苏州研究院
摘要： 一种基于结构化学习的道路场景布局分析方法，采集和扩充交通场景图像数据集，并且对数据集按场景平台分类进行标注和预处理；对图像进行子区域分割，先对图像进行超像素分割，用超像素的特征和标签训练增强决策树回归器，得到初始分割结果，再用马尔科夫随机场优化初始分割结果得到最终分割结果；然后在子区域上提取特征，用子区域特征和隐变量标签训练SVM分类器，预测出每张图片子区域隐变量的组合；最后用子区域隐变量的组合和场景平台标签的对应关系构建决策树，通过决策树找到这组标签最终对应的场景平台的标签；本发明基于简单道路交通场景环境的道路场景图片和视频，能够有效实现交通场景平台的预测，预测效果较准确，方法简单有效。
-
-
-
搜索结果
4 条记录 (耗时 0.023 秒)
