-
公开(公告)号：CN110956655B
公开(公告)日：2022-08-23
申请号：CN201911249403.9
申请日：2019-12-09
Applicant: 清华大学
Abstract: 本发明涉及一种基于单目图像的稠密深度估计方法，其特征在于包括以下步骤：1)构建多尺度混合深度神经网络结构，并对多尺度混合深度神经网络的网络参数进行初始化；2)对训练数据图像和测试图像进行数据预处理，生成训练数据和测试数据；3)利用步骤2)中的训练数据对构建的多尺度混合深度神经网络结构进行训练，得到训练后模型，保存训练后模型的参数；4)采用训练后模型对测试数据进行检测，得到测试图像的深度值。本发明可以广泛应用于单目图像的稠密深度估计领域。
-
公开(公告)号：CN114241238B
公开(公告)日：2024-08-13
申请号：CN202111521778.3
申请日：2021-12-13
Applicant: 清华大学
IPC: G06F18/24 , G06F18/10 , G06N3/084 , G06N3/0985 , G06Q10/04
Abstract: 一种基于改进PointNet的轨迹数据出行方式识别方法和装置，方法包括：对出行者出行的原始轨迹数据进行预处理，将预处理后得到的数据集划分为训练集、验证集和测试集；根据预处理后得到的数据集中数据维度的大小，构建改进PointNet网络模型；利用所述训练集和所述验证集中的数据对所构建的改进PointNet网络模型进行训练，得到训练好的改进PointNet网络模型；利用训练好的改进PointNet网络模型对所述测试集中的数据进行测试，得到测试集数据中所对应的出行方式识别结果；采用预先设置的后处理算法，对所得到的识别结果进行修正。
-
公开(公告)号：CN111627056A
公开(公告)日：2020-09-04
申请号：CN202010406962.2
申请日：2020-05-14
Applicant: 清华大学
Abstract: 本发明提供了一种基于深度估计的行车能见度确定方法及装置，基于深度估计的行车能见度确定方法包括：获取待确定行车能见度的车辆的点云数据；根据所述点云数据及预先建立的深度估计模型确定相对深度；根据所述相对深度以及实际深度图确定所述车辆的行车能见度。发明提供的基于深度估计的行车能见度确定方法及装置，可以在不影响车辆的正常行驶的情况下，精准预测车辆以及路段的行车能见度。
-
公开(公告)号：CN111310833A
公开(公告)日：2020-06-19
申请号：CN202010101845.5
申请日：2020-02-19
Applicant: 清华大学 , 中国电子科技集团公司电子科学研究院
Abstract: 本发明涉及一种基于贝叶斯神经网络的出行方式识别方法，其特征在于包括以下步骤：1)对原始交通出行数据进行预处理，得到预处理后的数据集；2)对预处理后的数据集进行速度统计直方图特征抽取，从得到的速度统计直方图特征中随机抽取若干组作为训练数据集，其他数据作为测试数据集；3)根据步骤2)中得到的训练数据集和测试数据集的维度大小，构建贝叶斯神经网络；4)利用步骤2)中的训练数据集对步骤3)中构建的贝叶斯神经网络进行训练，得到训练好的贝叶斯神经网络；5)利用步骤4)中训练好的贝叶斯神经网络对测试数据集进行测试，得到测试数据集的出行方式识别结果。本发明可以广泛应用于智能交通和模式识别领域。
-
公开(公告)号：CN111627056B
公开(公告)日：2023-09-01
申请号：CN202010406962.2
申请日：2020-05-14
Applicant: 清华大学
IPC: G06T7/55 , G06T7/207 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/088
Abstract: 本发明提供了一种基于深度估计的行车能见度确定方法及装置，基于深度估计的行车能见度确定方法包括：获取待确定行车能见度的车辆的点云数据；根据所述点云数据及预先建立的深度估计模型确定相对深度；根据所述相对深度以及实际深度图确定所述车辆的行车能见度。发明提供的基于深度估计的行车能见度确定方法及装置，可以在不影响车辆的正常行驶的情况下，精准预测车辆以及路段的行车能见度。
-
Patent Agency Ranking
公开(公告)号：CN114241238A
公开(公告)日：2022-03-25
申请号：CN202111521778.3
申请日：2021-12-13
Applicant: 清华大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00 , G06Q10/04
Abstract: 一种基于改进PointNet的轨迹数据出行方式识别方法和装置，方法包括：对出行者出行的原始轨迹数据进行预处理，将预处理后得到的数据集划分为训练集、验证集和测试集；根据预处理后得到的数据集中数据维度的大小，构建改进PointNet网络模型；利用所述训练集和所述验证集中的数据对所构建的改进PointNet网络模型进行训练，得到训练好的改进PointNet网络模型；利用训练好的改进PointNet网络模型对所述测试集中的数据进行测试，得到测试集数据中所对应的出行方式识别结果；采用预先设置的后处理算法，对所得到的识别结果进行修正。
-
公开(公告)号：CN113469912A
公开(公告)日：2021-10-01
申请号：CN202110737978.6
申请日：2021-06-30
Applicant: 清华大学
Abstract: 本发明涉及一种基于深度学习的雾天能见度估计方法和系统，其特征在于包括以下步骤：1)对于输入的带雾图像，通过透射率估计神经网络估计透射率图；2)利用估计得到的透射率图和雾成像模型，恢复得到去雾后的图像；3)将去雾后的图像输入深度估计神经网络估计深度图；4)通过深度图和透射率图，计算消光系数图；5)通过消光系数图，利用Koschmieder定律计算出能见度图。通过对雾成像模型和Koschmieder定律之间的内在联系进行分析，并结合这两者进行能见度估计，因此本发明的可解释性较好，因此，本发明可以广泛应用于雾天等恶劣天气下的能见度估计领域。
-
公开(公告)号：CN110956655A
公开(公告)日：2020-04-03
申请号：CN201911249403.9
申请日：2019-12-09
Applicant: 清华大学
Abstract: 本发明涉及一种基于单目图像的稠密深度估计方法，其特征在于包括以下步骤：1)构建多尺度混合深度神经网络结构，并对多尺度混合深度神经网络的网络参数进行初始化；2)对训练数据图像和测试图像进行数据预处理，生成训练数据和测试数据；3)利用步骤2)中的训练数据对构建的多尺度混合深度神经网络结构进行训练，得到训练后模型，保存训练后模型的参数；4)采用训练后模型对测试数据进行检测，得到测试图像的深度值。本发明可以广泛应用于单目图像的稠密深度估计领域。
-
公开(公告)号：CN114299433B
公开(公告)日：2025-02-07
申请号：CN202111630136.7
申请日：2021-12-28
Applicant: 清华大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本公开实施例提供一种异常驾驶行为检测方法、训练方法、装置及存储介质。该异常驾驶行为检测方法，包括：获得目标车辆的行车视频数据以及目标道路的道路数据；基于所述目标车辆的行车视频数据和所述目标道路的道路数据，确定所述目标车辆的行车参数；基于所述目标车辆的行车参数和预先训练好的异常驾驶行为检测模型，检测所述目标车辆的驾驶员是否存在异常驾驶行为，其中，所述异常驾驶行为检测模型通过样本车辆的行车参数及其对应的标记数据训练得到。
-
公开(公告)号：CN113469912B
公开(公告)日：2024-06-14
申请号：CN202110737978.6
申请日：2021-06-30
Applicant: 清华大学
Abstract: 本发明涉及一种基于深度学习的雾天能见度估计方法和系统，其特征在于包括以下步骤：1)对于输入的带雾图像，通过透射率估计神经网络估计透射率图；2)利用估计得到的透射率图和雾成像模型，恢复得到去雾后的图像；3)将去雾后的图像输入深度估计神经网络估计深度图；4)通过深度图和透射率图，计算消光系数图；5)通过消光系数图，利用Koschmieder定律计算出能见度图。通过对雾成像模型和Koschmieder定律之间的内在联系进行分析，并结合这两者进行能见度估计，因此本发明的可解释性较好，因此，本发明可以广泛应用于雾天等恶劣天气下的能见度估计领域。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
