-
公开(公告)号:CN116993779B
公开(公告)日:2024-05-14
申请号:CN202310968240.X
申请日:2023-08-03
申请人: 重庆大学 , 重庆数字交通产业集团有限公司
IPC分类号: G06T7/246 , G06V20/54 , G06V20/40 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种适于监控视频下的车辆目标跟踪方法,包括以下步骤:改进联合检测跟踪模型TransCenter的主干网络结构,利用卷积结构构建注意力模块;改进联合检测跟踪模型TransCenter的特征融合网络,利用矩阵分解模型构建多尺度特征融合网络;设计多特征多级车辆目标匹配算法;在公开的车辆目标跟踪数据集UA‑DETRAC上训练联合车辆目标检测跟踪模型;使用训练的模型跟踪监控视频下的车辆目标。本发明适于监控视频下的车辆目标跟踪方法,能够有效降低因目标遮挡、目标相似、目标尺度快速变换等因素造成的车辆目标跟踪漂移和跟踪丢失,准确性更高、稳定性更强。
-
公开(公告)号:CN118364966A
公开(公告)日:2024-07-19
申请号:CN202410587780.8
申请日:2024-05-13
申请人: 重庆大学 , 重庆数字交通产业集团有限公司
IPC分类号: G06Q10/04 , G06F18/23213 , G06F18/24 , G06F18/214 , G06F17/14 , G06F17/18 , G06F18/22 , G06N3/0455
摘要: 本发明公开了一种基于Transformer的长时间多变量时间序列预测方法,针对多变量长期时间序列预测任务,提出了一种有效的基于变压器的模型CMPPformer,其中有两个关键部分:通道混合依赖和周期性切割模块。首先,本发明利用时间序列聚类对多元时间序列进行分组,以实现通道混合依赖,从而减少过拟合和虚假回归。其次,使用FFT找出多维周期,根据计算出的周期长度,对时间序列进行修补,从而捕捉局部语义信息。此外,通过应用周期性切割模块和通道混合依赖性,可以降低时间和空间复杂性。
-
公开(公告)号:CN116993779A
公开(公告)日:2023-11-03
申请号:CN202310968240.X
申请日:2023-08-03
申请人: 重庆大学 , 重庆数字交通产业有限公司
IPC分类号: G06T7/246 , G06V20/54 , G06V20/40 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种适于监控视频下的车辆目标跟踪方法,包括以下步骤:改进联合检测跟踪模型TransCenter的主干网络结构,利用卷积结构构建注意力模块;改进联合检测跟踪模型TransCenter的特征融合网络,利用矩阵分解模型构建多尺度特征融合网络;设计多特征多级车辆目标匹配算法;在公开的车辆目标跟踪数据集UA‑DETRAC上训练联合车辆目标检测跟踪模型;使用训练的模型跟踪监控视频下的车辆目标。本发明适于监控视频下的车辆目标跟踪方法,能够有效降低因目标遮挡、目标相似、目标尺度快速变换等因素造成的车辆目标跟踪漂移和跟踪丢失,准确性更高、稳定性更强。
-
-