-
公开(公告)号：CN115147819B
公开(公告)日：2024-09-24
申请号：CN202210853133.8
申请日：2022-07-07
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于注视点预测模型的驾驶员注视点预测方法，主要解决现有技术不能有效提取视频中的全局与局部特征，导致注视点预测不准确的问题。其方案是：读取基于真实道路场景的驾驶员眼动视频数据构成训练集和测试集，并对其进行光照修正；设置视觉时空注意力层，构建基于注视点预测模型的驾驶员眼动注视点预测模型；将训练集输入到构建的预测模型中，得到训练集图像的初步预测结果；用初步预测结果和注视点真实值图像计算损失值，利用梯度下降法对眼动注视点预测模型进行网络参数更新，得到训练好的注视点预测模型；将测试集输入到训练好的预测模型中，得到其注视点预测结果。本发明相比现有技术提高了预测精度，可用于智能驾驶辅助系统。
-
公开(公告)号：CN115661686A
公开(公告)日：2023-01-31
申请号：CN202211194947.1
申请日：2022-09-27
Applicant: 西安电子科技大学
IPC: G06V20/17 , G06V10/62 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于序列感知与特征增强的无人机视角目标跟踪方法，主要解决了现有技术在无人机视角目标跟踪过程中，由于被跟踪目标尺寸较小和相机剧烈运动导致的被跟踪目标丢失的问题。本发明的实现步骤为：首先，构建序列感知与特征增强的跟踪网络，使用序列特征感知子网络提取视频序列特征并根据序列特征学习相机运动模式，再使用图像特征增强子网络利用序列特征增强图像特征，最后对增强后的图像特征解码得到无人机视角目标跟踪结果。本发明具有对序列信息和小目标表征能力强，无人机视角目标跟踪准确率高的优点。
-
公开(公告)号：CN115147819A
公开(公告)日：2022-10-04
申请号：CN202210853133.8
申请日：2022-07-07
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于注视点预测模型的驾驶员注视点预测方法，主要解决现有技术不能有效提取视频中的全局与局部特征，导致注视点预测不准确的问题。其方案是：读取基于真实道路场景的驾驶员眼动视频数据构成训练集和测试集，并对其进行光照修正；设置视觉时空注意力层，构建基于注视点预测模型的驾驶员眼动注视点预测模型；将训练集输入到构建的预测模型中，得到训练集图像的初步预测结果；用初步预测结果和注视点真实值图像计算损失值，利用梯度下降法对眼动注视点预测模型进行网络参数更新，得到训练好的注视点预测模型；将测试集输入到训练好的预测模型中，得到其注视点预测结果。本发明相比现有技术提高了预测精度，可用于智能驾驶辅助系统。
-
公开(公告)号：CN108664969B
公开(公告)日：2022-04-19
申请号：CN201810399451.5
申请日：2018-04-28
Applicant: 西安电子科技大学 , 江苏泽景汽车电子股份有限公司
IPC: G06V10/25 , G06V10/56 , G06V10/776 , G06K9/62
Abstract: 本发明公开了一种基于条件随机场的路标识别方法，主要解决现有路标识别准确率低的问题。其实现方案是：1.根据纯路标图像数据建立路标颜色种子点集合；2.根据路标颜色种子点集合计算含有路标的图像的先验颜色特征图集合；3.通过贝叶斯决策理论计算含有路标的图像的颜色概率分布图集合；4.用马尔科夫条件随机场模型融合路标图像的先验颜色特征图和颜色概率分布图，得到融合图像；5.提取融合图像中的感兴趣区域。6.通过多尺度卷积神经网络对感兴趣区域进行分类识别。本发明提高了路标的检测率和路标的识别准确率，可用于交通领域的场景感知。
-
公开(公告)号：CN111062973B
公开(公告)日：2021-01-01
申请号：CN201911408023.5
申请日：2019-12-31
Applicant: 西安电子科技大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于目标特征敏感性和深度学习的车辆跟踪方法，主要解决了现有技术在车辆跟踪过程中由于发生遮挡、光照变化等容易将与车辆目标相似的干扰物判断为车辆目标，导致跟踪失败的问题。本发明的步骤为：构建并训练判别式连体网络，通过训练好的公用网络模型提取特征并挑选对车辆目标更敏感的滤波器，使用判别式连体网络和挑选过的敏感滤波器实现对车辆目标的跟踪。本发明引入了挑选敏感滤波器组和操作，具有鲁棒性强、跟踪效果好、计算量低、易于实现的优点。
-
Patent Agency Ranking
公开(公告)号：CN114821067B
公开(公告)日：2024-09-24
申请号：CN202210569641.3
申请日：2022-05-24
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/28 , G06V10/774 , G06N3/0455 , G06N3/09 , G06N3/084 , G06T7/00 , G06T7/194 , G06T7/60 , G06T7/62 , G06T7/70
Abstract: 本发明公开了一种基于点标注数据的病理图像分割方法。主要解决现有训练数据需要的像素级标注成本太高的问题。其方案是：读取病理图像训练集和测试集；建立基于编码器‑解码器结构的分割网络；将训练集图像输入到分割网络的编码器中，保留各层特征并将末层特征通过输出层得到分割结果，将训练集图像对应的点标注图像进行膨胀后作为监督信息训练编码器；固定编码器参数并将编码器网络提取到的各层特征输入到解码器中，使用上一训练阶段中的分割结果与膨胀后的点标注图像作为监督信息迭代地训练解码器，得到训练好的分割网络；将待分割病理图像输入到训练好的分割网络中得到分割结果。本发明提高了分割效率和精度，可用于计算机辅助诊断系统。
-
公开(公告)号：CN110020688B
公开(公告)日：2022-12-06
申请号：CN201910286482.4
申请日：2019-04-10
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/26 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的遮挡行人检测方法。主要解决现有技术对遮挡行人检测效果差的问题。其实现方案是：读取行人检测数据库数据，使用VGG网络提取特征；将VGG网络不同层提取的特征进行融合，得到融合特征，并将VGG网络最后一层特征作为非融合特征；构建掩码网络，将融合特征和非融合特征分别输入到掩码网络中，得到两种有缺失的卷积特征；构建判别网络，将掩码网络得到的两种特征输入到判别网络，选择出更有效的特征；使用选择出的特征获得候选区域，通过候选区域，得到最终的检测结果。本发明提高了对遮挡行人的检测效果，可用于无人驾驶与辅助驾驶。
-
公开(公告)号：CN114821067A
公开(公告)日：2022-07-29
申请号：CN202210569641.3
申请日：2022-05-24
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/28 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00 , G06T7/194 , G06T7/60 , G06T7/62 , G06T7/70
Abstract: 本发明公开了一种基于点标注数据的病理图像分割方法。主要解决现有训练数据需要的像素级标注成本太高的问题。其方案是：读取病理图像训练集和测试集；建立基于编码器‑解码器结构的分割网络；将训练集图像输入到分割网络的编码器中，保留各层特征并将末层特征通过输出层得到分割结果，将训练集图像对应的点标注图像进行膨胀后作为监督信息训练编码器；固定编码器参数并将编码器网络提取到的各层特征输入到解码器中，使用上一训练阶段中的分割结果与膨胀后的点标注图像作为监督信息迭代地训练解码器，得到训练好的分割网络；将待分割病理图像输入到训练好的分割网络中得到分割结果。本发明提高了分割效率和精度，可用于计算机辅助诊断系统。
-
公开(公告)号：CN118711105A
公开(公告)日：2024-09-27
申请号：CN202410857334.4
申请日：2024-06-28
Applicant: 西安电子科技大学
IPC: G06V20/40 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于时空倍频程卷积模块的轻量级视频显著性预测方法，主要解决现有技术使用3D深度卷积网络规模过大，易产生资源受限与过拟合的问题。其实现方案是：分别获取训练数据集和测试数据集并对其进行预处理；构建轻量级时空卷积单元，并利用其构建多尺度特征提取链；构建特征融合模块，并将其与多尺度特征链连接构成轻量级多尺度视频显著性预测模型；用预处理后的训练数据通过Adam优化法对该视频显著性预测模型进行迭代训练；将预处理后的测试数据输入到训练后的轻量级多尺度视频显著性预测模型，得到视频显著性预测结果。本发明减小了视频显著性预测模型规模，提高了视频显著性预测结果的准确性，可用于帮助机器理解人类对于视频的视觉焦点。
-
公开(公告)号：CN115688019A
公开(公告)日：2023-02-03
申请号：CN202211163069.7
申请日：2022-09-23
Applicant: 西安电子科技大学
IPC: G06F18/2413 , G06F18/22 , G06N3/0455
Abstract: 本发明公开了一种基于异构数据关联挖掘与度量学习的智能体轨迹预测方法，主要解决了现有轨迹预测技术在编码时忽略了异构数据的关联性，以及在有监督训练时没用充分利用标签监督信息的问题。本发明通过构建异构数据关联挖掘的智能体轨迹预测网络，根据智能体历史轨迹计算其将要进入的活动区域的地图特征，避免了智能体已经经过的区域与不会进入的区域的地图特征带来的噪声，同时设计基于度量学习的损失函数训练网络，在度量空间计算未来轨迹预测结果和未来轨迹标签的相似度，从而充分利用标签监督信息，使本发明方法具有对异构数据关联挖掘能力强，预测的智能体轨迹更接近其真实轨迹的优点。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.029 seconds)
