-
公开(公告)号：CN112488116A
公开(公告)日：2021-03-12
申请号：CN202011358275.4
申请日：2020-11-27
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于多模态嵌入的场景理解语义生成方法。本发明方法基于CNN+RNN模型，在自身数据集上进行训练微调，对不同的场景进行分类识别，生成场景语义描述。首先，确定针对每一类场景采集数据集，为每幅图像标记语义信息。采用CNN提取数据集特征，将提取的图像区域转变成为h维向量。使用双向循环神经网络来计算语义表示，将语义中的单词当成序列输入，将每个单词转化成为h维向量。图像区域和语义单词处理完成后，将其作为数据集来训练RNN网络，利用集束搜索算法提高结果的准确率。本发明基于现有网络，构造自身数据集，并进行训练微调，生成场景语义描述，为进一步利用场景语义信息提供保障。
-
公开(公告)号：CN110619352A
公开(公告)日：2019-12-27
申请号：CN201910779094.X
申请日：2019-08-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于深度卷积神经网络的典型红外目标分类方法。传统神经网络因为结构比较简单，属于典型的浅层模型，很难获得更为细致有效的识别特征，在红外图像识别问题中性能欠佳。本发明方法首先获取不同距离和角度以及有无遮挡物情况下两种车辆模型的红外图像样本作为数据集，然后将数据集分为不重叠的训练集和测试集，并对数据集样本进行预处理，再通过VGG16深度神经网络模型获取红外目标图像特征，最后将提取出的特征信息输入到归一化函数softmax进行分类。本发明方法可以减小红外目标图像特征提取的难度，降低模型的复杂程度，实现良好的分类效果和实时计算效率。
-
公开(公告)号：CN107102295A
公开(公告)日：2017-08-29
申请号：CN201710239677.4
申请日：2017-04-13
Applicant: 杭州电子科技大学
IPC: G01S5/16
CPC classification number: G01S5/16
Abstract: 本发明涉及一种基于GLMB滤波的多传感器TDOA无源定位方法，现有技术中观测数据不可避免的存在着环境噪声和测量误差，并且缺乏跟踪环境的先验知识，不能确定目标的数量，无法判定观测数据是由真实目标还是虚假产生，以及由哪一个真实目标产生。首先通过多对传感器来获取跟踪区域内的多个目标到达各传感器对的时间差，随后在RFS框架下建立多目标的观测模型，在获取目标量测以后，作者在多传感器多目标定位跟踪系统中选取了广义标签多贝努力(GLMB)滤波算法，从而实现对多目标状态和航迹的定位跟踪。
-
公开(公告)号：CN103869279B
公开(公告)日：2017-01-25
申请号：CN201410069262.3
申请日：2014-02-27
Applicant: 杭州电子科技大学
IPC: G01S5/00
Abstract: 本发明涉及一种多传感器平台的多目标定位跟踪方法，多传感器多目标无源交叉定位时存在虚假点的问题，且随着传感器和目标的数量的增加，虚假点的数量也急剧增加，针对这个问题，本发明提出了一种对目标无源定位跟踪的新方法，即首先通过判断预测点到传感器与目标构成的传感器方程的最小距离来选取三个方程，避免了大量虚假点的产生，若三个方程有来自同一个传感器的则在同一传感器的方程中任意选取一个，其次以传感器方程的交点为基础获取目标量测，最后再通过运用UF(无味滤波)算法便得到目标点的位置。
-
公开(公告)号：CN102608568B
公开(公告)日：2014-01-29
申请号：CN201210047321.8
申请日：2012-02-28
Applicant: 杭州电子科技大学
IPC: G01S5/00
Abstract: 本发明涉及一种具有固定滑窗-OSPA距离航迹关联方法，本发明通过把局部航迹描述为一个集合，引入目标航迹集合之间的OSPA距离评价判断两个局部航迹是否属于同一航迹。设计引入上三角分块矩阵和航迹关联矩阵方法完成各个传感器航迹之间的两两匹配过程，再次基础上，进一步设计了具有固定滑窗的递推OSPA航迹距离计算方法。本发明建议的OSPA距离不仅可以有效关联相同航迹，而且可以有效应对航迹交叉、航迹分叉和航迹异步问题。通过与加权航迹关联方法、独立序贯航迹关联方法比较，说明本发明在关联精度、航迹异步问题上具有的独特优势。
-
Patent Agency Ranking
公开(公告)号：CN112488116B
公开(公告)日：2024-02-02
申请号：CN202011358275.4
申请日：2020-11-27
Applicant: 杭州电子科技大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/764 , G06V10/74 , G06T7/11 , G06T7/187 , G06T7/44 , G06T7/90
Abstract: 本发明涉及基于多模态嵌入的场景理解语义生成方法。本发明方法基于CNN+RNN模型，在自身数据集上进行训练微调，对不同的场景进行分类识别，生成场景语义描述。首先，确定针对每一类场景采集数据集，为每幅图像标记语义信息。采用CNN提取数据集特征，将提取的图像区域转变成为h维向量。使用双向循环神经网络来计算语义表示，将语义中的单词当成序列输入，将每个单词转化成为h维向量。图像区域和语义单词处理完成后，将其作为数据集来训练RNN网络，利用集束搜索算法提高结果的准确率。本发明基于现有网络，构造自身数据集，并进行训练微调，生成场景语义描述，为进一步利用场景语义信息提供保障。
-
公开(公告)号：CN112488359B
公开(公告)日：2023-11-17
申请号：CN202011202424.8
申请日：2020-11-02
Applicant: 杭州电子科技大学
IPC: G06Q10/047 , G06Q10/0631 , G06N5/01
Abstract: 本发明公开了基于RRT与OSPA距离的多智能体静止多目标围捕方法。本发明方法首先使智能体保持领导‑跟随编队，对领导者进行路径规划路径规划，领导者领导跟随者移动，在进入围捕区域后，进行OSPA距离计算分配围捕点。最后，各智能体分别进行路劲规划，移动到围捕点并形成对静态目标的围捕。在路径规划方面，通过RRT算法对智能体与围捕点之间进行路径规划，并通过缩小其采样范围加快路径规划时间，最后通过贝塞尔曲线进行路径优化。本发明方法可以给智能体分配围捕点并自行路径规划，通过加入模态判定，在多目标相对聚集的情况下，能够有效缩短围捕时间。
-
公开(公告)号：CN110517286B
公开(公告)日：2022-01-14
申请号：CN201910740239.5
申请日：2019-08-12
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于多智能体控制的单目标动态跟踪与围捕方法。目前缺乏运用多智能体控制对运动目标进行编队式跟踪与控制的方法。本发明方法通过使用序列多假设跟踪算法对运动目标状态进行估计，在杂波环境下获得目标状态后，引入基于一致性思想设计分布式控制器实现多智能体对单目标动态围捕，最后通过传感器控制方法对目标估计轨迹进行跟踪。发明方法可以使多智能体系统形成编队、保持编队，并实现对单目标的动态跟踪与围捕，加深了传统算法中对传感器控制问题及目标跟踪问题的结合。
-
公开(公告)号：CN112464173A
公开(公告)日：2021-03-09
申请号：CN202011526443.6
申请日：2020-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于MLE和BIC的随机点模式参数估计方法。本发明方法在基于随机点模式模型的框架下，构建多个复杂度不同的随机点模式模型，将对随机点模式模型参数的极大似然估计转化为分别对基数分布参数和特征分布参数的极大似然估计，并且用最大期望算法求取特征分布参数的极大似然估计值，计算每个模型关于训练数据的Bayes信息准则指标，确定备选模型中最优模型。本发明方法提升了模型对点模式数据的信息表达能力，使训练所得的最优模型对观测数据具有良好的拟合能力，并且保障了模型的泛化能力。本发明方法放宽了对于先验信息的要求，减少主观决策对于模型精度的影响。本发明方法有效提高了建模精度和降低了模型参数估计的复杂度。
-
公开(公告)号：CN109102005B
公开(公告)日：2020-08-18
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.028 seconds)
