-
公开(公告)号：CN115984816B
公开(公告)日：2024-11-22
申请号：CN202310017951.9
申请日：2023-01-06
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06V20/58 , G06V20/40 , G06V10/82 , G06V10/62 , G06V10/80 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种融合时间信息的改进YOLOV3交通视频显著目标检测方法，利用有经验驾驶员的Hard Attention获取交通场景的显著目标图，再建立融合时间信息的改进YOLOV3并进行训练优化，训练完成后进行显著目标检测。本发明的方法首次提出融合Hard Attention信息和时间信息的交通场景的显著目标检测，融合时间信息的改进YOLOV3相对现有全目标检测模型不仅通过融合Hard Attention信息特征只关注与驾驶安全相关的重要目标，还通过融合当前检测帧前10帧内的时间信息，极大地扩展了时间信息范围，通过融合更多低级特征的尺度预测，在黑暗场景和突然出现的超车等场景中，更准确有效地检测出对驾驶环境重要的目标；相对现有显著性预测模型能够专注于显著性区域，准确检测显著性区域内的目标和位置。
-
公开(公告)号：CN115984816A
公开(公告)日：2023-04-18
申请号：CN202310017951.9
申请日：2023-01-06
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06V20/58 , G06V20/40 , G06V10/82 , G06V10/62 , G06V10/80 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种融合时间信息的改进YOLOV3交通视频显著目标检测方法，利用有经验驾驶员的Hard Attention获取交通场景的显著目标图，再建立融合时间信息的改进YOLOV3并进行训练优化，训练完成后进行显著目标检测。本发明的方法首次提出融合Hard Attention信息和时间信息的交通场景的显著目标检测，融合时间信息的改进YOLOV3相对现有全目标检测模型不仅通过融合Hard Attention信息特征只关注与驾驶安全相关的重要目标，还通过融合当前检测帧前10帧内的时间信息，极大地扩展了时间信息范围，通过融合更多低级特征的尺度预测，在黑暗场景和突然出现的超车等场景中，更准确有效地检测出对驾驶环境重要的目标；相对现有显著性预测模型能够专注于显著性区域，准确检测显著性区域内的目标和位置。
-
公开(公告)号：CN116151145A
公开(公告)日：2023-05-23
申请号：CN202310076794.9
申请日：2023-01-16
Applicant: 西安电子科技大学
IPC: G06F30/28 , G06T17/00 , G06Q10/04 , G06F119/14
Abstract: 本发明公开了一种基于代理模型的反射面天线风力系数预测方法，包括：获取反射面天线的结构参数并建立仿真模型；确定反射面方位和俯仰两个变量的采样点并进行数值仿真计算；提取不同采样点下反射面的阻力，侧向力和升力值；计算反射面风力系数并存入样本点数据库；构建正则化最小能量张量积样条的代理模型并检测拟合精度；生成新样本点的反射面风力系数预测结果；计算新样本点反射面风力系数预测值和仿真值之间的误差，不满足精度要求则将仿真值加入样本点数据库重新构建代理模型，直至满足精度要求。本发明在保证精度的前提下，节约了不同位姿下反射面风力系数仿真计算的时间。
-
公开(公告)号：CN103280619A
公开(公告)日：2013-09-04
申请号：CN201310156678.4
申请日：2013-04-28
Applicant: 电子科技大学
Abstract: 该发明核聚变等离子体大功率射频波加热技术中一种用于高功率测量的毫米波小孔耦合器。包括材质为铜合金或铜基复合材料且带反射面的耦合器本体及设于该本体内的含底段及位于底段两端的输入、输出段，与耦合器反射面连接成一体的波纹波导传输线直角弯头，以及将“U”形波导的底段与波纹波导传输线直角弯头内腔连通的耦合孔。该发明具有结构简单，功率容量大，插损小，使用灵活方便、可靠性高，在测量过程中采用功率耦合的方式又避免了外界环境对测量结果的影响等特点；该发明毫米波小孔耦合器在毫米波波段高功率微波测量方面有突出优势，可广泛应用于传输频率为138GHz-142GHz、传输功率在兆瓦级的ECRH系统传输功率的测量。
-
公开(公告)号：CN117058661A
公开(公告)日：2023-11-14
申请号：CN202311213786.0
申请日：2023-09-19
Applicant: 电子科技大学
IPC: G06V20/59 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多源信息融合的驾驶行为预测方法，通过有经验驾驶员获取交通场景图、驾驶员眼动显著图和全局GPS信息，再建立融合多源信息的驾驶行为预测模型并进行训练优化，训练完成后进行驾驶行为预测。本发明的方法首次提出融合驾驶员选择性注意及意图的交通场景驾驶行为预测，融合多源信息的驾驶行为预测模型不仅通过融合驾驶员选择性注意信息特征，能够从认知驱动角度理解模拟驾驶员的真正意图，还通过融合局部驾驶环境信息和全局外部环境信息特征，能够更全面地预测驾驶行为，相对现有的驾驶行为预测模型，可以更智能和准确地预测驾驶行为。
-
Patent Agency Ranking
公开(公告)号：CN114065588B
公开(公告)日：2023-08-11
申请号：CN202111396267.3
申请日：2021-11-23
Applicant: 西安电子科技大学
IPC: G06F30/23
Abstract: 本发明公开了一种减少主动主反射面天线促动器数量的方法，包括建立整个主动主反射面天线和反射面每一块面板的有限元模型,对天线面板进行预调整；建立每一块面板的五种弹性变形函数并组集整个反射面的弹性变形计算矩阵；确定促动器安装区域并生成促动器选择函数；综合面板调整矩阵和促动器选择函数计算出反射面上安装促动器区域的促动器调整量；计算面板调整后反射面的表面误差；判断表面误差是否满足表面精度要求，调整给定的反射面节点最大变形值，重新确定促动器安装区域。本发明可在保证反射面形面精度要求的前提下进而显著减少大口径反射面天线所需的促动器数量并确定促动器的安装区域，进而减少促动器数量过大带来的高成本和高维护费用问题。
-
公开(公告)号：CN114065588A
公开(公告)日：2022-02-18
申请号：CN202111396267.3
申请日：2021-11-23
Applicant: 西安电子科技大学
IPC: G06F30/23
Abstract: 本发明公开了一种减少主动主反射面天线促动器数量的方法，包括建立整个主动主反射面天线和反射面每一块面板的有限元模型,对天线面板进行预调整；建立每一块面板的五种弹性变形函数并组集整个反射面的弹性变形计算矩阵；确定促动器安装区域并生成促动器选择函数；综合面板调整矩阵和促动器选择函数计算出反射面上安装促动器区域的促动器调整量；计算面板调整后反射面的表面误差；判断表面误差是否满足表面精度要求，调整给定的反射面节点最大变形值，重新确定促动器安装区域。本发明可在保证反射面形面精度要求的前提下进而显著减少大口径反射面天线所需的促动器数量并确定促动器的安装区域，进而减少促动器数量过大带来的高成本和高维护费用问题。
-
公开(公告)号：CN119832528A
公开(公告)日：2025-04-15
申请号：CN202411913223.7
申请日：2024-12-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进YOLOv9的夜晚交通场景显著目标检测方法，利用有经验驾驶员的视觉注意力获取夜晚交通场景的夜晚显著目标数据集，再建立改进YOLOv9的夜晚显著目标检测模型并进行训练优化，改进方法包括：在原始算法的基础上融合EMA注意力机制构建自定义RepNCSPELAN4_EMA模块并替换Backbone中的第3、5、7、9层RepNCSPELAN4模块，增加一组融合低级特征的检测模块，训练完成后进行夜晚显著目标检测。本发明的方法首次提出融合视觉注意力的夜晚交通场景的显著目标检测，相对现有全目标夜晚检测模型不仅通过融合视觉注意力特征只关注与驾驶安全相关的重要目标，还通过融合低级特征的尺度预测，在多种夜间环境中，更准确有效地检测出对驾驶环境重要的目标。
-
公开(公告)号：CN117058661B
公开(公告)日：2024-07-09
申请号：CN202311213786.0
申请日：2023-09-19
Applicant: 电子科技大学
IPC: G06V20/59 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多源信息融合的驾驶行为预测方法，通过有经验驾驶员获取交通场景图、驾驶员眼动显著图和全局GPS信息，再建立融合多源信息的驾驶行为预测模型并进行训练优化，训练完成后进行驾驶行为预测。本发明的方法首次提出融合驾驶员选择性注意及意图的交通场景驾驶行为预测，融合多源信息的驾驶行为预测模型不仅通过融合驾驶员选择性注意信息特征，能够从认知驱动角度理解模拟驾驶员的真正意图，还通过融合局部驾驶环境信息和全局外部环境信息特征，能够更全面地预测驾驶行为，相对现有的驾驶行为预测模型，可以更智能和准确地预测驾驶行为。
-
公开(公告)号：CN112308005A
公开(公告)日：2021-02-02
申请号：CN202011241840.9
申请日：2020-11-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于GAN的交通视频显著性预测方法，属于计算机视觉技术领域。本发明将驾驶中的选择性注意机制与深度学习方法相结合，设计了逐渐生长多步判别的GAN网络模型，可以实时计算和预测行车记录仪拍摄的交通场景视频的显著性区域。基于本发明的GAN网络模型，可以有效地估计交通驾驶环境中驾驶员视觉搜索的显著性区域和环境周边突发情况，同时也能计算出交通标志等值得关注的重要目标。本发明通过结合视觉注意的相关机理及显著性检测模型去理解和预测交通驾驶场景中与驾驶任务有关的信息，可对未来的智能驾驶车辆、驾驶训练和辅助驾驶系统等提供有用的理论依据和视觉感知相关技术手段。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
