-
公开(公告)号：CN107527068B
公开(公告)日：2020-12-25
申请号：CN201710670157.9
申请日：2017-08-07
Applicant: 南京信息工程大学
Abstract: 本发明涉及基于CNN和域自适应学习的车型识别方法，通过在Alexnet网络中添加旋转不变层、区分判别层和设计新的目标函数，建立基于CNN网络初始模型；利用建立的初始模型分别提取不同领域样本卷积层的特征图，计算样本特征图之间的余弦相似度，确定CNN网络的共享卷积核或非共享卷积核，保留共享卷积核的权重和偏置，更新非共享卷积核的权重和偏置；基于目标领域训练样本，计算每层特征图之间的余弦相似度和整个目标领域平均相似度，根据平均相似度聚类每类相似特征图；将与目标领域中样本有相似分布特性的源领域样本拓展为目标领域的新样本，用目标领域的新样本来微调整个CNN网络模型，再通过softmax分类器对目标领域中的测试样本进行车型分类。
-
Patent Agency Ranking
公开(公告)号：CN108416270A
公开(公告)日：2018-08-17
申请号：CN201810117900.2
申请日：2018-02-06
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于多属性联合特征的交通标志识别方法，首先对图像进行预处理，然后设计卷积神经网络结构，通过该CNN网络自动提取交通标志特征，为了充分利用CNN多层特征的有用信息，提取最后3层特征图，将提取出的每层特征图通过多尺度池化操作形成3个尺度的特征矩阵，将3个尺度的特征矩阵按列展开并级联成列向量；然后将得到的3个列向量级联成一个具有多尺度多属性的联合特征向量；最后将联合特征向量通过ELM分类器进行分类，从而高效地完成交通标志的识别分类。
-
公开(公告)号：CN107527068A
公开(公告)日：2017-12-29
申请号：CN201710670157.9
申请日：2017-08-07
Applicant: 南京信息工程大学
Abstract: 本发明涉及基于CNN和域自适应学习的车型识别方法，通过在Alexnet网络中添加旋转不变层、区分判别层和设计新的目标函数，建立基于CNN网络初始模型；利用建立的初始模型分别提取不同领域样本卷积层的特征图，计算样本特征图之间的余弦相似度，确定CNN网络的共享卷积核或非共享卷积核，保留共享卷积核的权重和偏置，更新非共享卷积核的权重和偏置；基于目标领域训练样本，计算每层特征图之间的余弦相似度和整个目标领域平均相似度，根据平均相似度聚类每类相似特征图；将与目标领域中样本有相似分布特性的源领域样本拓展为目标领域的新样本，用目标领域的新样本来微调整个CNN网络模型，再通过softmax分类器对目标领域中的测试样本进行车型分类。
-
公开(公告)号：CN108416270B
公开(公告)日：2021-07-06
申请号：CN201810117900.2
申请日：2018-02-06
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于多属性联合特征的交通标志识别方法，首先对图像进行预处理，然后设计卷积神经网络结构，通过该CNN网络自动提取交通标志特征，为了充分利用CNN多层特征的有用信息，提取最后3层特征图，将提取出的每层特征图通过多尺度池化操作形成3个尺度的特征矩阵，将3个尺度的特征矩阵按列展开并级联成列向量；然后将得到的3个列向量级联成一个具有多尺度多属性的联合特征向量；最后将联合特征向量通过ELM分类器进行分类，从而高效地完成交通标志的识别分类。
-
公开(公告)号：CN107330463A
公开(公告)日：2017-11-07
申请号：CN201710518975.7
申请日：2017-06-29
Applicant: 南京信息工程大学
Abstract: 基于CNN多特征联合和多核稀疏表示的车型识别方法，利用智能交通相机拍摄包括复杂场景下的车辆图像，首先对车辆图像进行预处理，然后基于CNN中AlexNet网络，设计5个卷积层与3个全连接层自动提取车辆的全局与局部特征，将第1,2,5池化层和第6,7全连接层的特征图按列拉伸后作为车辆特征分量分别输入到5个不同的单核函数中，并通过加权融合形成一个联合特征矩阵；然后基于多核学习和稀疏表示算法，求解每个核函数的权值和联合特征矩阵的投影矩阵，最后根据核稀疏最小重构误差实现对车辆类型的识别。本发明能够实时进行车型识别，提取出需要的交通流信息，解决交通拥堵问题，有利于公路网的总体规划及道路建设。
-
公开(公告)号：CN107330463B
公开(公告)日：2020-12-08
申请号：CN201710518975.7
申请日：2017-06-29
Applicant: 南京信息工程大学
Abstract: 基于CNN多特征联合和多核稀疏表示的车型识别方法，利用智能交通相机拍摄包括复杂场景下的车辆图像，首先对车辆图像进行预处理，然后基于CNN中AlexNet网络，设计5个卷积层与3个全连接层自动提取车辆的全局与局部特征，将第1,2,5池化层和第6,7全连接层的特征图按列拉伸后作为车辆特征分量分别输入到5个不同的单核函数中，并通过加权融合形成一个联合特征矩阵；然后基于多核学习和稀疏表示算法，求解每个核函数的权值和联合特征矩阵的投影矩阵，最后根据核稀疏最小重构误差实现对车辆类型的识别。本发明能够实时进行车型识别，提取出需要的交通流信息，解决交通拥堵问题，有利于公路网的总体规划及道路建设。
-
-
-
-
-
Search Results
6
records
(took 0.032 seconds)
