-
公开(公告)号：CN107122795B
公开(公告)日：2020-06-02
申请号：CN201710212251.X
申请日：2017-04-01
Applicant: 同济大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于核化特征和随机子空间集成的行人再辨识方法，包括以下步骤：S1，获取行人图像的训练样本集和测试样本集，确定两个样本间的核化函数；S2，分别将两个样本集的原始特征转化为核化特征；S3，在训练样本集的核化特征空间中，随机选取多个不同的子空间，分别计算不同和相同行人图像对的核化特征差值的协方差矩阵及其逆矩阵，得到图像对的核化特征差值的分布函数；S4，分别在各子空间下，计算样本对为相同行人的概率和为不同行人的概率，将两个概率的比值作为样本间的距离；S5，对距离进行集成，得到各样本对间的最终距离。与现有技术相比，本发明具有良好的行人再辨识能力，适用于各种不同的特征，具有较强的鲁棒性。
-
公开(公告)号：CN109919106A
公开(公告)日：2019-06-21
申请号：CN201910181642.9
申请日：2019-03-11
Applicant: 同济大学
Abstract: 本发明公开了一种渐进式目标精细识别与描述方法，以视频目标识别为背景，从视频特征多层次获取和渐进式目标精细识别与描述的理论和方法开展研究工作。首先，对视频目标进行检测与分割，从而识别目标的各个部件；然后，基于部件识别进一步提取视频目标的多粒度特征；最后，融合多粒度特征来实现目标的精细识别，并生成精细化描述文本信息。本发明通过模拟人类认识和描述图像的方法，建立基于部件的多层次深度特征提取方法，为视频目标特征提取提供有效的理论和方法；通过自然语言处理技术构造基于模板匹配的视频目标精细化描述方法，为多层次视频目标识别与描述提供新的思路。本发明将丰富和拓展机器学习理论和方法。
-
公开(公告)号：CN108985145A
公开(公告)日：2018-12-11
申请号：CN201810526789.2
申请日：2018-05-29
Applicant: 同济大学
Abstract: 随着汽车智能化的不断发展，自动驾驶逐渐成为智能汽车的研究重点，其关键技术之一是对交通标志进行检测与识别用于辅助智能驾驶。然而，现有方法对小尺寸交通标志检测效果不好，即汽车离交通标志较远时，无法检测成功，待靠近检测成功后留给系统的决策时间较少。针对以上问题，本发明基于区域卷积神经网络框架，提出了一种反向连接深度神经网络模型方法以提高小尺寸交通标志检测识别的鲁棒性，从而为智能汽车的辅助驾驶提供了更有效的模型保障。
-
公开(公告)号：CN107133569A
公开(公告)日：2017-09-05
申请号：CN201710219411.3
申请日：2017-04-06
Applicant: 同济大学
Abstract: 本发明公开一种基于泛化多标记学习的监控视频多粒度标注方法，以公安视频监控内容分析为背景，从视频特征多层次获取和多粒度表示的理论和方法开展研究工作。首先，基于多标记学习理论和深度学习理论，分析和提取视频中各对象不同层次的特征，构建泛化的多标记分类算法；其次，基于粒计算理论和自然语言理解技术，表征出视频信息的多粒度表示模型。本发明是对监控视频内容分析领域进行深入系统的研究，通过深度学习理论构造泛化多标记学习算法，能够为多层次视频信息提取提供有效理论和方法；通过模拟人类认识和描述图像方法，建立多粒度视频表示理论和方法，为视频内容分析提供新思路。为未来推动视频监控智能化发展奠定理论和应用基础。
-
公开(公告)号：CN115512191A
公开(公告)日：2022-12-23
申请号：CN202211150406.9
申请日：2022-09-21
Applicant: 同济大学
IPC: G06V10/778 , G06N3/04 , G06N3/08 , G06T7/10 , G06V10/774
Abstract: 一种联合问答的图像自然语言描述方法，包括三个步骤：步骤一，首先使用图像分割模型对图像目标和图像背景的特征进行提取，得到像素级的不同类别的划分，获取目标和背景的分割特征图；步骤二，问题生成模块通过构建隐式的场景类型表征，产生包含关注目标信息的关系特征图，多粒度地生成若干个语义相关的引导问题；步骤三，联合问答模块引入对比学习的损失函数，对关系特征图和引导问题进行联合多模态嵌入表征，该模型通过训练，能生成问题相关的长文本回答，作为图像内容的精细化语义描述。
-
Patent Agency Ranking
公开(公告)号：CN110287995B
公开(公告)日：2022-12-20
申请号：CN201910445174.1
申请日：2019-05-27
Applicant: 同济大学
Abstract: 本发明提供一种全天高架交通拥堵情况分级的多特征学习网络模型方法。在本发明中，先将全天的交通车速数据根据数据的时间属性和空间属性重新组织成为速度时空矩阵，同时保留交通数据的时空特征；再根据速度时空矩阵以及道路拥堵速度分级定义，构造拥堵时空矩阵；然后根据拥堵时空矩阵，针对道路的各个路段构建拥堵时长占比向量；最后基于速度时空矩阵，拥堵时空矩阵和拥堵时长占比向量，用三个不同的神经网络分支对数据提取特征，并进行分类。与现有技术相比，本发明针对完整的全天数据，多特征学习网络模型能够较好提取不同类型的数据特征，针对全天交通数据，进行较为有效的数据分类，能够高效率自动化的全天交通拥堵情况分级的问题。
-
公开(公告)号：CN115374328A
公开(公告)日：2022-11-22
申请号：CN202210869580.2
申请日：2022-07-22
Applicant: 同济大学
IPC: G06F16/909 , G06F16/29 , G06K9/62
Abstract: 本发明公开了基于偏好上下文和轨迹图增强表达的位置预测方法。首先，基于图论(Graph Theory)基础对地图进行分块，每个分块建立一个顶点，将POI数据向量化表示之后添加到顶点的属性中；第二，将稠密位置数据通过设置的超参数和规则将研究对象的停留点提取出来，同时按照位置数据的时间顺序生成边，按照研究对象自身的属性生成全局变量；第三，将多模态偏好数据均向量化表征，并将生成的偏好向量添加到顶点的属性中；第四，基于自注意力机制对图中的顶点、边和全局向量进行更新；第五，基于PAC理论、机器学习理论和推荐系统方法，在生成的研究对象轨迹图利用自注意力机制对下一个时刻研究对象可能出现的位置和研究对象对于指定位置访问的可能性进行预测。
-
公开(公告)号：CN112541128A
公开(公告)日：2021-03-23
申请号：CN202011365756.8
申请日：2020-11-29
Applicant: 同济大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 基于特征双向动态协同的个性化新闻推荐方法，包括用户‑新闻双向动态协同表征模块、卷积层、池化层和预测层。用户‑新闻双向动态协同表征模块包括用户动态协同表征网络和新闻动态协同表征网络。对于用户历史浏览新闻序列，经过用户动态协同表征网络，借助注意力模型得到用户特征矩阵，其能够反映用户历史浏览的新闻内容特征和浏览序列特征，包含新闻‑用户交互信息。对于候选新闻，经过新闻动态协同表征网络，能够在新闻内容特征的基础上利用新闻历史读者的特征，引入用户‑新闻协同信息，得到新闻特征矩阵；能够同时挖掘用户浏览模式和新闻受众特点，得到用户偏好向量和新闻协同特征向量；最后，预测层利用向量预测用户对候选新闻的浏览概率。
-
公开(公告)号：CN109215349B
公开(公告)日：2020-12-29
申请号：CN201811260347.4
申请日：2018-10-26
Applicant: 同济大学
Abstract: 随着智能交通系统的不断发展，对交通流量需要进行准确而有效的预测。实现对交通流量的预测，其关键技术之一是对交通流量数据的挖掘并对其数据特征进行学习。然而，对于复杂多变的交通流数据，基于交通流理论和统计学模型的传统方法难以捕捉非线性交通流量数据的复杂模式及其特征，故而对交通流量参数进行模式识别和预测的能力较弱；此外，现有的模型大多只能对交通流量进行短时的预测，目前暂时还没有对交通流量进行长时预测的模型方法。针对以上问题，本发明基于卷积神经网络框架，提出了一种基于深度学习的长时交通流量预测方法以提高对交通流量进行长时预测的准确性和鲁棒性。
-
公开(公告)号：CN111428586A
公开(公告)日：2020-07-17
申请号：CN202010158977.1
申请日：2020-03-09
Applicant: 同济大学
Abstract: 本发明公开了一种基于特征融合与样本增强的三维人体姿态估计方法，涉及三维人体姿态估计与性能优化方法。首先，采用基于候选区域的全卷积网络，对图片中人体进行身体部位分类与像素点三维坐标回归；其次，采用辅助网络样本增强，对没有初始标注的样本位置进行信号补充；最后，将模型与现有效果良好的2D姿态识别模型进行特征融合，从全局姿态的角度与局部回归坐标发挥优势互补性。本发明通过特征融合技术构造基于多任务并行的人体姿态估计架构，为二维和三维姿态识别的优势互补提供有效的理论和方法；通过模拟半监督学习的方式，建立基于数据增强的辅助网络，为提升姿态识别模型泛化能力提供新的思路。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.015 seconds)
