-
公开(公告)号：CN115131742A
公开(公告)日：2022-09-30
申请号：CN202110332618.8
申请日：2021-03-29
Applicant: 南京大学
IPC: G06V20/54 , G06V20/52 , G06V10/32 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06T3/40 , G06N3/04 , G06N3/08
Abstract: 一种适于隧道视角受限的目标深度学习视频检测方法，包括以下步骤：step1：构建带有标注和标签的图片库作为网络模型的训练样本集；step2：构建网络模型：以SSD网络为基础构建检测网络，使用融入Mish激活函数和BN层的VGG‑16作为检测网络的backbone，使用跃层双向多尺寸特征融合作为检测网络的neck，检测网络的head使用SSD网络的head；step3：训练网络模型，训练过程中采用基于目标尺寸大小的自适应在线难分样本发掘，训练获得检测模型；step4：输入测试样本，通过训练好的检测模型预测出隧道图像中的目标位置及类别。本发明适用于隧道等视角受限、检测目标极小、存在环境干扰等场合的目标检测，具有良好的检测性能。
-
公开(公告)号：CN114882450A
公开(公告)日：2022-08-09
申请号：CN202210382896.9
申请日：2022-04-13
Applicant: 南京大学
Abstract: 本发明涉及一种无人机单侧巡航下高速匝道口倒车行为检测方法，包括：步骤1：获取无人机巡航采集的匝道口路面视频图像，检测图像中的车辆；步骤2：使用多目标跟踪算法，获取每辆车的运动轨迹；步骤3：判断当前画面内是否只有一辆车，若是，跳转至步骤4；若否，跳转至步骤5；步骤4：计算Δt内车辆的行驶距离x，若x大于阈值T，跳转至步骤1；若x小于阈值T，则判定其出现倒车行为；步骤5：计算各个车辆在Δt的行驶距离xi以及平均行驶距离s；步骤6：判断当前是否有车辆的行驶距离小于平均行驶距离的占比阈值，若有则判定为倒车行为，若无则跳转至步骤1。本发明实现无人机巡测下高速匝道口车辆倒车行为判别。
-
Patent Agency Ranking
公开(公告)号：CN115311485A
公开(公告)日：2022-11-08
申请号：CN202110492210.7
申请日：2021-05-06
Applicant: 南京大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 一种基于损失反馈的类别和尺度均衡目标检测训练方法，在对检测网络进行迭代训练时，基于损失函数的反馈对训练样本分别进行类别均衡和尺度均衡，类别均衡动态调整迭代训练中各类别和各样本的采样概率，使训练类别及样本数据均衡，得到训练集I’，尺度均衡动态调整训练集I’的训练样本尺度，通过图像拼接使训练集I’的目标尺度满足训练需求，经过类别平衡和尺度均衡的训练集I”作为新一次迭代训练样本进行训练。本发明使训练中模型更关注少样本类别，可提升模型泛化性，根据网络需要提供不同尺度的训练样本，在确保大物体准确性同时提升小物体检测准确度。本发明仅增加少量对样本梯度占比的计算量，不影响训练推理速度的前提下，提高了训练准确性。
-
公开(公告)号：CN115546667A
公开(公告)日：2022-12-30
申请号：CN202211235689.7
申请日：2022-10-10
Applicant: 南京大学
IPC: G06V20/17 , G06V20/40 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种无人机场景的实时车道线检测方法，包括：构建车道线检测模型；读入无人机高空拍摄的实时道路画面至车道线检测模型中进行车道线检测；其中，构建车道线检测模型中，采集无人机高空对车道的监控视频，获取视频图片作为训练样本数据；对视频图片进行预处理；采用CA注意力机制优化后的CA‑Resnet18主干网络中，提取图片的若干特征信息，获得三层不同分辨率不同深度的特征图；对不同分辨率不同深度的特征图的特征图进行双向三层特征融合；经过组分类确定每条车道线的位置信息，实现车道检测。本发明提高无人机场景下车道线的检测识别准确度与实时性。
-
公开(公告)号：CN114882450B
公开(公告)日：2025-05-09
申请号：CN202210382896.9
申请日：2022-04-13
Applicant: 南京大学
Abstract: 本发明涉及一种无人机单侧巡航下高速匝道口倒车行为检测方法，包括：步骤1：获取无人机巡航采集的匝道口路面视频图像，检测图像中的车辆；步骤2：使用多目标跟踪算法，获取每辆车的运动轨迹；步骤3：判断当前画面内是否只有一辆车，若是，跳转至步骤4；若否，跳转至步骤5；步骤4：计算Δt内车辆的行驶距离x，若x大于阈值T，跳转至步骤1；若x小于阈值T，则判定其出现倒车行为；步骤5：计算各个车辆在Δt的行驶距离xi以及平均行驶距离s；步骤6：判断当前是否有车辆的行驶距离小于平均行驶距离的占比阈值，若有则判定为倒车行为，若无则跳转至步骤1。本发明实现无人机巡测下高速匝道口车辆倒车行为判别。
-
公开(公告)号：CN115984727A
公开(公告)日：2023-04-18
申请号：CN202310060700.9
申请日：2023-01-19
Applicant: 南京大学
Abstract: 一种无人机场景的实时虚车道线轮廓自动提取方法，首先使用深度学习的车道线检测网络实现车道线中心的若干像素点表征，接着基于色度特征差异，使用多层感知机MLP机器学习的方法实现每条车道线的虚实分类，然后基于单条虚车道线，使用LSD线段检测算法实现虚车道线区域图像内线段端点的提取，接着通过斜率筛选确定虚车道线线段端点，最后经过点与线的关系判别及y坐标高低实现线段端点所属虚车道线线段的准确定位。本发明实现无人机巡航下虚车道线轮廓的实时自动提取。
-
公开(公告)号：CN115311467A
公开(公告)日：2022-11-08
申请号：CN202110491535.3
申请日：2021-05-06
Applicant: 南京大学
Abstract: 一种轻量化卷积神经网络目标检测的实现方法，对目标检测模型的锚点框、骨干网络和检测头分别进行轻量化，轻量化锚点框改进了最大交并比训练样本匹配策略，缓解不同目标间正样本数量不平衡问题，在提高检测精度的同时，可大幅削减锚点框的密度；采用轻量卷积神经网络ShuffleNetV2为骨干网络，增加通道注意力模块，对通道特征进行重标定，学习不同的通道特征的重要性以及通道特征间的关系；对检测头的轻量化提出串行轻量化检测头结构，将检测头部回归分支卷积接在分类分支卷积后，使得回归分支充分利用分类结果，提升模型定位准确度，并且使用分组卷积轻量化检测头。本发明对目标检测网络进行了轻量化，在保证准确性同时，大幅提升网络推理速度。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
