-
公开(公告)号：CN119169043A
公开(公告)日：2024-12-20
申请号：CN202411313793.2
申请日：2024-09-20
Applicant: 招商局重庆交通科研设计院有限公司 , 重庆交通大学
IPC: G06T7/20 , G06N3/0455 , G06V10/25 , G06V10/764 , G06N3/048 , G06N3/047 , G06V10/44
Abstract: 本发明涉及机器视觉技术领域，具体公开了一种参考点先验位置嵌入与自适应更新的多目标跟踪方法，其构建了多目标跟踪网络用于多目标跟踪，在该多目标跟踪网络中设计了基于目标查询的参考点的先验位置生成网络，该先验位置生成网络产生具有明确先验位置信息的目标查询，该位置先验信息有助于有效的关键点采样，可解决目标查询的参考点缺乏先验位置信息的问题，进而提升目标检测性能；还设计了基于跟踪查询的参考点的跟踪参考点预测网络，该跟踪参考点预测网络对跟踪查询生成新的跟踪查询参考点，可有效减小跟踪参考点位置与目标中心位置的偏差，实现跟踪参考点的准确定位，进而提升目标跟踪性能。
-
公开(公告)号：CN118429325A
公开(公告)日：2024-08-02
申请号：CN202410647258.4
申请日：2024-05-23
Applicant: 重庆交通大学
IPC: G06T7/00 , G06V20/10 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/094 , G06N3/048
Abstract: 本发明属于光学遥感图像变化检测技术领域，尤其涉及一种弱化季节性因素影响的光学遥感图像变化检测方法，首先分别提取时相图1和时相图2的空间特征和季节特征；之后，通过交叉注意力机制，将将时相图1的空间特征/季节特征与时相图2的季节特征/空间特征融合，得到重建图1/重建图2。这样，重建图1就与时相图2的季节特征相同，而重建图2则与时相图1的季节特征相同。再然后，将时相图1、时相图2以及重建图1、重建图2联结，进行变化检测。通过这样的方式，可以尽可能的规避季节性变化到来的干扰，从而保证光学遥感图像变化检测的可靠性。本方法可以有效减少季节性变化带来的干扰和噪声，提升光学遥感图像变化检测的准确性和可靠性。
-
公开(公告)号：CN117612030A
公开(公告)日：2024-02-27
申请号：CN202311787919.5
申请日：2023-12-22
Applicant: 重庆交通大学
IPC: G06V20/13 , G06V20/10 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于遥感图像处理技术领域，具体涉及基于特征不变正则约束的云遮挡遥感图像道路提取方法，包括以下步骤：S1、获取无云遥感影像数据集，所述无云遥感影响数据集包括多张无云遥感影像；S2、按照预设的云层模拟方法对云层进行模拟；S3、将模拟出的云层与无云遥感影像进行合成，生成云遮挡遥感影像；得到训练数据集；S4、构建遥感影像道路提取模型；S5、对遥感影像道路提取模型进行训练；进行训练时，通过特征不变正则约束使得约束后的特征矢量尽可能接近；S6、使用训练后的遥感影像道路提取模型进行道路提取。本方法可以增强遥感影像道路提取模型对于云遮挡扰动的鲁棒性，在有云及无云的情况下均能稳定准确的进行道路特征提取。
-
公开(公告)号：CN112949682B
公开(公告)日：2022-05-20
申请号：CN202110112799.3
申请日：2021-01-27
Applicant: 重庆交通大学
IPC: G06K9/62 , G06V10/764 , G06V20/10
Abstract: 本发明公开了一种特征级统计描述学习的SAR图像分类方法，包括：将目标SAR图像输入SAR图像分类网络；卷积层提取目标SAR图像的具有中层语义的特征基元；特征统计层基于具有中层语义的特征基元提取目标SAR图像的统计基元矢量；非线性及线性变换层基于统计基元矢量生成目标SAR图像的特征级统计描述矢量；Softmax层基于特征级统计描述矢量生成目标SAR图像的分类结果。相比于传统CNN方法，本发明不仅致力于SAR图像的结构特征学习，而且在特征学习过程中特别考虑了SAR图像的特征级统计特性，致力于集成特征学习和统计分析为一体，能够有效解决利用CNN方法进行SAR图像分类时泛化能力不足的问题。
-
公开(公告)号：CN113312912A
公开(公告)日：2021-08-27
申请号：CN202110711212.0
申请日：2021-06-25
Applicant: 重庆交通大学
IPC: G06F40/289 , G06F40/216 , G06F40/30
Abstract: 本发明涉及人工智能技术领域，具体涉及一种用于交通基础设施检测文本的机器阅读理解方法，包括：获取问题文本和待检测的段落文本；阅读理解模型首先对问题文本和段落文本进行编码得到对应的待检测字符向量；然后将待检测字符向量和设置的交通基础设施检测领域词向量进行融合得到对应的嵌入融合表示，并对嵌入融合表示进行语义特征捕捉；最后根据嵌入融合表示和捕捉的语义特征计算对应答案在段落文本中的字符位置，并将对应答案的字符位置作为段落文本的机器阅读理解结果；输出段落文本对应的机器阅读理解结果。本发明中的机器阅读理解方法能够兼顾理解全面性和理解准确性，从而能够提升交通基础设施检测领域中文文本的理解效果。
-
Patent Agency Ranking
公开(公告)号：CN115391535B
公开(公告)日：2025-05-23
申请号：CN202211034115.3
申请日：2022-08-26
Applicant: 重庆交通大学
IPC: G06F16/35 , G06F40/30 , G06F40/295 , G06F18/25 , G06N3/045 , G06N3/0442
Abstract: 本发明涉及关系分类技术领域，具体涉及面向桥梁检测领域文本的少样本关系分类装置及分类方法，该装置包括上下文特征提取模块、实体特征提取模块和关系分类模块；上下文特征提取模块包括样本编码器和双向编码网络，样本编码器用于将桥梁检测的句子编码为向量形式，得到句子编码向量；双向编码网络用于对句子进行前向和后向的编码，将两个方向的编码结果进行拼接得到句子的上下文特征信息；实体特征提取模块用于从句子编码向量中抽取实体编码向量，并将其转化为实体特征向量。相比于当前神经网络少样本关系分类方法，本发明能够在少样本的前提下更好地对桥梁检测领域文本包含的不同关系类型进行分类。
-
公开(公告)号：CN115392255A
公开(公告)日：2022-11-25
申请号：CN202211035572.4
申请日：2022-08-26
Applicant: 重庆交通大学
Abstract: 本发明涉及桥梁文本信息检索技术领域，具体涉及一种面向桥梁检测文本的少样本机器阅读理解方法。本方法中，即使获取到的样本数据并不多，但每一个样本，既可以通过问题分类模型及答案预测模型构建模拟预测数据，同时也可以通过人工标注的方式得到实际训练数据，每一个样本数据均可以得到充分的使用。与现有技术相比，本方法对收集到的文本数据进行了充分的开发使用，通过模拟训练数据及待标注的文本数据，可以让答案抽取模型在预训练Pre‑Training后，得到预微调Pre‑Tuning和微调Fine‑Tuning两次训练，与使用预训练+微调的现有训练方式相比，在只能收集到相同数据的文本数据时，同样可以大幅度提升答案抽取模型的训练效果。
-
公开(公告)号：CN113221571A
公开(公告)日：2021-08-06
申请号：CN202110600808.3
申请日：2021-05-31
Applicant: 重庆交通大学
IPC: G06F40/295 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及互联网络人工智能技术和自然语言处理技术领域，具体涉及基于实体相关注意力机制的实体关系联合抽取方法，其包括：获取待处理文本；将待处理文本输入经过预先训练的实体关系联合抽取神经网络模型中；实体关系联合抽取神经网络模型首先识别所述待处理文本中的所有实体；然后将各个实体分别作为目标头实体去识别对应的目标尾实体；最后识别各个目标头实体与对应目标尾实体之间的关系，并根据目标头实体、目标尾实体和相应关系构建对应的三元组；输出所有的三元组。本发明中的实体关系联合抽取方法能够保证实体关系联合抽取关联性并解决重叠关系问题，从而能够提升实体关系联合抽取的效果。
-
公开(公告)号：CN118429325B
公开(公告)日：2025-03-21
申请号：CN202410647258.4
申请日：2024-05-23
Applicant: 重庆交通大学
IPC: G06T7/00 , G06V20/10 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/094 , G06N3/048
Abstract: 本发明属于光学遥感图像变化检测技术领域，尤其涉及一种弱化季节性因素影响的光学遥感图像变化检测方法，首先分别提取时相图1和时相图2的空间特征和季节特征；之后，通过交叉注意力机制，将将时相图1的空间特征/季节特征与时相图2的季节特征/空间特征融合，得到重建图1/重建图2。这样，重建图1就与时相图2的季节特征相同，而重建图2则与时相图1的季节特征相同。再然后，将时相图1、时相图2以及重建图1、重建图2联结，进行变化检测。通过这样的方式，可以尽可能的规避季节性变化到来的干扰，从而保证光学遥感图像变化检测的可靠性。本方法可以有效减少季节性变化带来的干扰和噪声，提升光学遥感图像变化检测的准确性和可靠性。
-
公开(公告)号：CN118260651A
公开(公告)日：2024-06-28
申请号：CN202410299332.8
申请日：2024-03-15
Applicant: 重庆交通大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于重参数化卷积神经网络的结构损伤状态识别方法。具体来说，本发明提出了一种基于重参数化技术的神经网络，它可以将模型的训练和部署解耦，并在考虑模型推理速度的前提下保持较高的精度。具体来说，在训练中使用了一个具有多个1×1卷积操作的卷积神经网络，在模型的测试和推理过程中使用重参数化技术将卷积核的参数融合在一起，以此得到了一个结构更轻、部署精度更高的卷积神经网络。使用本发明可以加快监测系统的推理速度，以及降低卷积神经网络在结构损伤状态识别中的部署成本。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.021 seconds)
