-
公开(公告)号：CN113051811B
公开(公告)日：2022-08-05
申请号：CN202110281219.3
申请日：2021-03-16
Applicant: 重庆邮电大学
Abstract: 本发明提出一种基于GRU(GatedRecurrentUnit，门控循环单元)网络的多模式短期交通拥堵预测方法，分为交通速度预测和交通拥堵识别。其方案为：获取全部时空交通速度数据；提取四种模式对应的时空交通速度数据；提取四种模式对应的路段网络数据和特殊时间数据，采用one‑hot编码生成辅助信息向量；分别提取四种模式下交通速度数据邻近性、周期性和趋势性矩阵；制定多步交通速度数据标签；构建以交通速度数据邻近性、周期性和趋势性矩阵作为GRU‑FC网络输入的GRU‑FC模型。设置模型超参数，对模型调参、训练；使用训练好的模型，获取短期交通速度数据，经过计算交通拥堵阈值、划分交通拥堵等级得到交通拥堵结果。本发明提出的交通拥堵预测方法具有针对性和高准确性。
-
Patent Agency Ranking
公开(公告)号：CN113051811A
公开(公告)日：2021-06-29
申请号：CN202110281219.3
申请日：2021-03-16
Applicant: 重庆邮电大学
Abstract: 本发明提出一种基于GRU(GatedRecurrentUnit，门控循环单元)网络的多模式短期交通拥堵预测方法，分为交通速度预测和交通拥堵识别。其方案为：获取全部时空交通速度数据；提取四种模式对应的时空交通速度数据；提取四种模式对应的路段网络数据和特殊时间数据，采用one‑hot编码生成辅助信息向量；分别提取四种模式下交通速度数据邻近性、周期性和趋势性矩阵；制定多步交通速度数据标签；构建以交通速度数据邻近性、周期性和趋势性矩阵作为GRU‑FC网络输入的GRU‑FC模型。设置模型超参数，对模型调参、训练；使用训练好的模型，获取短期交通速度数据，经过计算交通拥堵阈值、划分交通拥堵等级得到交通拥堵结果。本发明提出的交通拥堵预测方法具有针对性和高准确性。
-
公开(公告)号：CN113139548B
公开(公告)日：2022-05-06
申请号：CN202011638890.0
申请日：2020-12-31
Applicant: 重庆邮电大学
IPC: G06V30/148 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明提出了一种基于运算符和中心线的数学公式识别的方法，其主要思路为：对公式图片进行切割；应用卷积神经网络(CNN)网络结构对字符图片进行识别；充分利用公式中不同种类运算符作用域固定的特点将其分为三类，分别是分号、特殊运算符和二元运算符号，其中特殊运算符包括根号、求和符号、积分符号等大符号，这些运算符有多个作用域，先将这些作用域内的子式判别出来并进行识别，将识别结果直接送入运算符的Latex语言表达式；然后基于字符在书写时受四线格约束的情况，提出中心线的概念，将常见字符分类为向上类、向下类、全占类和中心类，依据字符的中心线类别不同计算阈值，判断两个字符之间的上下标的位置关系。最终实现公式识别。
-
公开(公告)号：CN113139548A
公开(公告)日：2021-07-20
申请号：CN202011638890.0
申请日：2020-12-31
Applicant: 重庆邮电大学
Abstract: 本发明提出了一种基于运算符和中心线的数学公式识别的方法，其主要思路为：对公式图片进行切割；应用卷积神经网络(CNN)网络结构对字符图片进行识别；充分利用公式中不同种类运算符作用域固定的特点将其分为三类，分别是分号、特殊运算符和二元运算符号，其中特殊运算符包括根号、求和符号、积分符号等大符号，这些运算符有多个作用域，先将这些作用域内的子式判别出来并进行识别，将识别结果直接送入运算符的Latex语言表达式；然后基于字符在书写时受四线格约束的情况，提出中心线的概念，将常见字符分类为向上类、向下类、全占类和中心类，依据字符的中心线类别不同计算阈值，判断两个字符之间的上下标的位置关系。最终实现公式识别。
-
公开(公告)号：CN112150493B
公开(公告)日：2022-10-04
申请号：CN202011004389.9
申请日：2020-09-22
Applicant: 重庆邮电大学
IPC: G06T7/13 , G06T3/40 , G06T3/00 , G06N3/04 , G06V10/82 , G06V10/80 , G06V10/26 , G06V10/774 , G06V20/70
Abstract: 本发明针对在自然场景下定位屏幕位置，且基于全卷积网络(Fully Convolutional Network)的边缘检测技术生成的屏幕边缘粗糙等问题，研究并提出一种基于语义指导的自然场景下屏幕区域检测方法。提出一种基于语义指导的边缘检测网络用于屏幕边缘检测，该网络分成两部分，一部分是由反卷积模块组成，完成图像分割任务，另一部分由不同尺度的特征图融合后进行图像边缘检测任务。将算法模型同时进行图像分割与图像边缘检测任务的训练，最后融合两个任务的输出得到最终边缘图像。在屏幕区域定位阶段，通过霍夫变换(Hough Transform)进行边缘图像直线检测，去掉重合直线，将符合条件的屏幕角点取出，并通过仿射变换(Affine Transformation)进行区域角度进行校正，最终得到屏幕内容图像。
-
公开(公告)号：CN112150493A
公开(公告)日：2020-12-29
申请号：CN202011004389.9
申请日：2020-09-22
Applicant: 重庆邮电大学
Abstract: 本发明针对在自然场景下定位屏幕位置，且基于全卷积网络(Fully Convolutional Network)的边缘检测技术生成的屏幕边缘粗糙等问题，研究并提出一种基于语义指导的自然场景下屏幕区域检测方法。提出一种基于语义指导的边缘检测网络用于屏幕边缘检测，该网络分成两部分，一部分是由反卷积模块组成，完成图像分割任务，另一部分由不同尺度的特征图融合后进行图像边缘检测任务。将算法模型同时进行图像分割与图像边缘检测任务的训练，最后融合两个任务的输出得到最终边缘图像。在屏幕区域定位阶段，通过霍夫变换(Hough Transform)进行边缘图像直线检测，去掉重合直线，将符合条件的屏幕角点取出，并通过仿射变换(Affine Transformation)进行区域角度进行校正，最终得到屏幕内容图像。
-
-
-
-
-
Search Results
6
records
(took 0.011 seconds)
