-
公开(公告)号：CN110348447B
公开(公告)日：2022-04-19
申请号：CN201910567433.8
申请日：2019-06-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种具有丰富空间信息的多模型集成目标检测方法，将单级框架、上下文建模和多尺度表示相结合，集成用于目标检测的网络模型，具体讲，我们采用了一种新的上下文建模方法，将语义分割领域中常用的空洞卷积应用到目标检测中，利用空洞卷积能够在不增加计算量的情况下扩展接收野的特性，从而构建了上下文检测模块；同时，我们还通过多尺度表示捕获细粒度的细节，以增强模型的表示能力；结合了集成学习的思想，进一步提高了检测器的性能。
-
公开(公告)号：CN110348447A
公开(公告)日：2019-10-18
申请号：CN201910567433.8
申请日：2019-06-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种具有丰富空间信息的多模型集成目标检测方法，将单级框架、上下文建模和多尺度表示相结合，集成用于目标检测的网络模型，具体讲，我们采用了一种新的上下文建模方法，将语义分割领域中常用的空洞卷积应用到目标检测中，利用空洞卷积能够在不增加计算量的情况下扩展接收野的特性，从而构建了上下文检测模块；同时，我们还通过多尺度表示捕获细粒度的细节，以增强模型的表示能力；结合了集成学习的思想，进一步提高了检测器的性能。
-
公开(公告)号：CN113361590A
公开(公告)日：2021-09-07
申请号：CN202110619483.3
申请日：2021-06-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多元时间序列的特征融合方法，通过对包含时序特征的原始数据样本进行预处理，提取处理后的数据特征，构建为二维时间序列数据后，输入时序卷积模块中，得到时序卷积层输出；再将循环神经网络中隐藏层行向量输入注意力卷积模块中，得到最终注意力权重，并根据最终注意力权重计算上下文向量，将得到的上下文向量、时序卷积层输出以及隐藏层的最终状态特征进行融合，得到融合向量，进而可通过构建机器学习验证本发明所得融合特征在多元时间序列数据分析可靠性，具体表现为数据特征提取中良好的泛化性与处理效果，与现有技术相较，本发明能快速获取表征时间序列的最优特征子集，为多元时间序列数据分析提供有效数据支撑。
-
-
Search Results
3
records
(took 0.015 seconds)
