CN110533166B - 一种基于时空间融合特征的室内定位方法 - Google Patents

一种基于时空间融合特征的室内定位方法 Download PDF

Info

Publication number
CN110533166B
CN110533166B CN201910775635.1A CN201910775635A CN110533166B CN 110533166 B CN110533166 B CN 110533166B CN 201910775635 A CN201910775635 A CN 201910775635A CN 110533166 B CN110533166 B CN 110533166B
Authority
CN
China
Prior art keywords
sequence
time
space
features
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910775635.1A
Other languages
English (en)
Other versions
CN110533166A (zh
Inventor
刘宁
何涛
朱坤鑫
牛群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910775635.1A priority Critical patent/CN110533166B/zh
Publication of CN110533166A publication Critical patent/CN110533166A/zh
Application granted granted Critical
Publication of CN110533166B publication Critical patent/CN110533166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于时空间融合特征的室内定位方法，包括以下步骤：建立基于时空间融合特征的位置预测网络，所述位置预测网络以定位信号序列为输入，各定位信号序列提取的时空间融合特征对应的位置为输出；采集待确定位置的定位信号序列；将所述定位信号序列作为所述位置预测网络的输入；所述位置预测网络输出该定位信号序列对应的位置。采用本发明方法，从序列信号多个维度下的特征入手，即同时考虑到序列信号的时间和空间特征，使用多维度下的融合特征作为定位的基础，实现了对于多种不同场景的适应性，并且具有良好的泛化性，适用于多种不同的序列定位信号；同时，通过优化神经网络结构降低网络模型的计算复杂度和训练成本。

Description

一种基于时空间融合特征的室内定位方法
技术领域
本发明涉及室内定位方法，特别涉及一种基于时空间融合特征的的室内定位方法。
背景技术
目前，国内外学者提出了许多室内定位算法和技术，应用了包括超宽带、Wi-Fi、蓝牙、RFID、地磁等诸多定位信号，其具体方法主要分为两类：基于信号指纹空间特征的定位算法和基于信号指纹时间特征的定位算法。
但是，基于信号指纹空间特征的定位算法，在一些较大的室内场景下，某些定位信号的分辨率(特征区分度)往往无法达到要求，如Wi-Fi信号由于其传播模型和室内环境噪声的影响，相距很远的两个不同位置的Wi-Fi信号强度值可能相同，进而导致较大的定位误差；基于信号指纹时间特征的定位算法，使用序列信号输入也就意味着相对更高的计算复杂度，如常用的DTW(动态时间规整)算法在长序列下计算复杂度往往是很高的，而如果使用短序列输入，那么也就意味着降低了序列的特征区分度，导致定位误差的增加。
发明内容
有鉴于此，本发明提出一种适应性强、面向广的基于时空间融合特征的的室内定位方法。
本发明的技术方案是这样实现的：
一种基于时空间融合特征的室内定位方法，包括以下步骤：
建立基于时空间融合特征的位置预测网络，所述位置预测网络以定位信号序列为输入，各定位信号序列提取的时空间融合特征对应的位置为输出；
采集待确定位置的定位信号序列；
将所述定位信号序列作为所述位置预测网络的输入；
所述位置预测网络输出该定位信号序列对应的位置。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，建立基于时空间融合特征的位置预测网络包括训练阶段和测试阶段。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述训练阶段包括：
步骤S1，对定位序列信号进行预处理，转换为定位序列信号对应时间维度和空间维度下的数据表示形式；
步骤S2，提取定位序列信号对应时间维度和空间维度下的时间特征和空间特征，将所述时间特征和空间特征融合为时空间特征，基于时空间特征构建位置预测输出单元，得到位置预测网络模型，并基于预处理后的训练数据对模型进行训练。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述步骤S1包括以下步骤：
步骤S11，采用经验模态分解算法对定位序列信号数据进行频率分量分解，然后将高频噪声进行过滤；
步骤S12，计算原序列的梯度序列；
步骤S13，将梯度序列分别转换为对应时间维度和空间维度下的数据表示形式。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述步骤S2包括以下步骤：
步骤S21，构建基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征；
步骤S22，构建基于ResNet的多尺度卷积神经网络来提取定位信号序列对应空间维度下的空间特征。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述步骤S2中基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征包括以下步骤：
步骤S211，在低层级使用多个小尺度的双向LSTM分段对梯度序列进行特征提取；
步骤S212，将得到的特征序列作为高层级双向LSTM的输入，提取出更高维度上的序列时间特征。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，构建基于ResNet的多尺度卷积神经网络包括构建用于提取空间特征的网络前端和用于对空间特征进行映射转换的网络后端。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述网络前端为预先训练好的去掉分类层的ResNet-34网络，所述网络后端为预先训练好的ResNet-34网络添加的归一化层、非线性激活函数层和全连接层。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，步骤S2中将所述时间特征和空间特征融合为时空间特征是将提取的时间特征和空间特征通过全连接层进行融合。
作为所述基于时空间融合特征的室内定位方法的进一步可选方案，所述位置预测输出单元包括全连接参数层、归一化层、非线性激活函数层、预测位置输出层。
本发明的有益效果是：采用本发明方法，从序列信号多个维度下的特征入手，即同时考虑到序列信号的时间和空间特征，使用多维度下的融合特征作为定位的基础，实现了对于多种不同场景的适应性，并且具有良好的泛化性，适用于多种不同的序列定位信号；同时，通过优化神经网络结构降低网络模型的计算复杂度和训练成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于时空间融合特征的室内定位方法的流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参照图1，一种基于时空间融合特征的室内定位方法，包括以下步骤：
建立基于时空间融合特征的位置预测网络，所述位置预测网络以定位信号序列为输入，各定位信号序列提取的时空间融合特征对应的位置为输出；
采集待确定位置的定位信号序列；
将所述定位信号序列作为所述位置预测网络的输入；
所述位置预测网络输出该定位信号序列对应的位置。
在本实施例中，从序列信号多个维度下的特征入手，即同时考虑到序列信号的时间和空间特征，使用多维度下的融合特征作为定位的基础，实现了对于多种不同场景的适应性，并且具有良好的泛化性，适用于多种不同的序列定位信号；同时，通过优化神经网络结构降低网络模型的计算复杂度和训练成本；需要说明的是，使用长度500的定位信号序列作为网络输入，标签为该信号序列对应的路径的终点坐标，可以在提高服务器反应时间，同时，还能够保证定位的准确度。
优选的，建立基于时空间融合特征的位置预测网络包括训练阶段和测试阶段。
在本实施例中，测试阶段包括：加载训练好的位置预测网络模型，根据输入的测试序列信号输出对应的位置预测结果；需要说明的是，在测试阶段，基于构建的测试数据集，加载训练好的网络模型参数，根据测试集中的输入序列数据，由网络模型输出相应的位置预测结果，以此来检测模型的准确度。
优选的，所述训练阶段包括：
步骤S1，对定位序列信号进行预处理，转换为定位序列信号对应时间维度和空间维度下的数据表示形式；
步骤S2，提取定位序列信号对应时间维度和空间维度下的时间特征和空间特征，将所述时间特征和空间特征融合为时空间特征，基于时空间特征构建位置预测输出单元，得到位置预测网络模型，并基于预处理后的训练数据对模型进行训练。
在本实施例中，在网络的训练过程中，损失函数定义如下：
Figure BDA0002174949420000061
其中Xn表示Groundtruth，
Figure BDA0002174949420000062
表示Predict result，N表示测试样例数目；同时，在训练过程中，网络使用自适应的学习率参数，根据误差的衰减程度自适应调整每次迭代的学习率。
优选的，所述步骤S1包括以下步骤：
步骤S11，采用经验模态分解算法对定位序列信号数据进行频率分量分解，然后将高频噪声进行过滤；
步骤S12，计算原序列的梯度序列；
步骤S13，将梯度序列分别转换为对应时间维度和空间维度下的数据表示形式。
在本实施例中，由于不同设备厂商对于信号值标定不同，因此首先计算原序列的梯度信息，得到对应的梯度序列，使用梯度序列作为网络的输入，然后，对于序列数据在时间维度下的特征，直接使用上述得到的梯度序列作为该特征维度下的数据表示形式，对于序列数据在空间维度下的特征，将一维的序列转化为二维RGB图像；需要说明的是，通过移动终端采集定位序列信号，并将采集到的定位序列信号发送到服务器进行预处理。
优选的，所述步骤S2包括以下步骤：
步骤S21，构建基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征；
步骤S22，构建基于ResNet的多尺度卷积神经网络来提取定位信号序列对应空间维度下的空间特征。
在本实施例中，对于序列信号，其实际也是定位信号观测值在在连续时间上的一段时序序列，而序列中各个信号观测值之间都是存在着时间顺序上的依赖关系，具体就表现为随时间的序列波动变化特征信息，相比于某个时刻的独立信号观测值，序列信号在时间上波动特征更具有区分度，所以针对时间特征的提取，直接使用序列数据作为输入，同时，针对空间特征的提取，从计算机视觉的角度出发，将原始的序列“弯折”转换为二维的图像，每个像素值对应序列中的元素值。使用高维的图像作为空间特征提取的输入，可以获取更多定位信号对应空间位置的关联特征信息。
优选的，所述步骤S2中基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征包括以下步骤：
步骤S211，在低层级使用多个较小尺度的双向LSTM分段对梯度序列进行特征提取；
步骤S212，将得到的特征序列作为高层级双向LSTM的输入，提取出更高维度上的序列时间特征。
在本实施例中，在低层级使用多个较小尺度的双向LSTM单元，利用分段机制对序列数据进行局部的特征提取，得到局部特征序列，以此来避免LSTM在长序列下的高计算复杂度，然后将得到的局部特征序列作为全局高层级双向LSTM的输入，从而提取出更高维度上的序列时间特征Ft。
优选的，构建基于ResNet的多尺度卷积神经网络包括用于提取空间特征的网络前端和用于对空间特征进行映射转换的网络后端。
在本实施例中，先通过网络前端对二维RGB图像进行空间特征提取，然后通过网络后端对提取到的空间特征进行规划和整理，可以提高所述空间特征与时间特征的融合率。
优选的，所述网络前端为预先训练好的去掉分类层的ResNet-34网络，所述网络后端为预先训练好的ResNet-34网络添加的归一化层、非线性激活函数层和全连接层。
在本实施例中，使用预训练好的ResNet-34网络去掉最后的分类层作为空间特征提取网络的前端，并添加归一化层、非线性激活函数层以及2048维度的全连接层作为网络后端，提取出序列的空间关联特征。
优选的，步骤S2中将所述时间特征和空间特征融合为时空间特征是将提取的时间特征和空间特征通过全连接层进行融合。
在本实施例中，通过全连接层将时间特征和空间特征进行融合，可以增加网络模型的深度，能够更好的表现融合后的特征。
优选的，所述位置预测输出单元包括全连接参数层、归一化层、非线性激活函数层、预测位置输出层。
在本实施例中，通过位置预测单元设置有全连接参数层、归一化层、非线性激活函数层、预测位置输出层，可以将融合后的高维度的特征降低维度，输出低维度的坐标。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于时空间融合特征的室内定位方法，其特征在于，包括如下步骤：
建立基于时空间融合特征的位置预测网络，所述位置预测网络以定位信号序列为输入，各定位信号序列提取的时空间融合特征对应的位置为输出；
采集待确定位置的定位信号序列；
将所述定位信号序列作为所述位置预测网络的输入；
所述位置预测网络输出该定位信号序列对应的位置；
其中，建立基于时空间融合特征的位置预测网络包括训练阶段和测试阶段；
所述训练阶段包括：
步骤S1，对定位序列信号进行预处理，转换为定位序列信号对应时间维度和空间维度下的数据表示形式；
步骤S2，提取定位序列信号对应时间维度和空间维度下的时间特征和空间特征，将所述时间特征和空间特征融合为时空间特征，基于时空间特征构建位置预测输出单元，得到位置预测网络模型，并基于预处理后的训练数据对模型进行训练；
所述步骤S2包括以下步骤：
步骤S21，构建基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征；
步骤S22，构建基于ResNet的多尺度卷积神经网络来提取定位信号序列对应空间维度下的空间特征；
构建基于ResNet的多尺度卷积神经网络包括构建用于提取空间特征的网络前端和用于对空间特征进行映射转换的网络后端。
2.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述步骤S1包括以下步骤：
步骤S11，采用经验模态分解算法对定位序列信号数据进行频率分量分解，然后将高频噪声进行过滤；
步骤S12，计算原序列的梯度序列；
步骤S13，将梯度序列分别转换为对应时间维度和空间维度下的数据表示形式。
3.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述步骤S2中基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征包括以下步骤：
步骤S211，在低层级使用多个小尺度的双向LSTM分段对梯度序列进行特征提取；
步骤S212，将得到的特征序列作为高层级双向LSTM的输入，提取出更高维度上的序列时间特征。
4.根据权利要求3所述的基于时空间融合特征的室内定位方法，其特征在于，所述网络前端为预先训练好的去掉分类层的ResNet-34网络，所述网络后端为预先训练好的ResNet-34网络添加的归一化层、非线性激活函数层和全连接层。
5.根据权利要求4所述的基于时空间融合特征的室内定位方法，其特征在于，步骤S2中将所述时间特征和空间特征融合为时空间特征是将提取的时间特征和空间特征通过全连接层进行融合。
6.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述位置预测输出单元包括全连接参数层、归一化层、非线性激活函数层、预测位置输出层。
7.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述测试阶段包括：
步骤S3，加载训练好的位置预测网络模型，根据输入的测试序列信号输出对应的位置预测结果。
CN201910775635.1A 2019-08-21 2019-08-21 一种基于时空间融合特征的室内定位方法 Active CN110533166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910775635.1A CN110533166B (zh) 2019-08-21 2019-08-21 一种基于时空间融合特征的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910775635.1A CN110533166B (zh) 2019-08-21 2019-08-21 一种基于时空间融合特征的室内定位方法

Publications (2)

Publication Number Publication Date
CN110533166A CN110533166A (zh) 2019-12-03
CN110533166B true CN110533166B (zh) 2023-04-28

Family

ID=68663959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910775635.1A Active CN110533166B (zh) 2019-08-21 2019-08-21 一种基于时空间融合特征的室内定位方法

Country Status (1)

Country Link
CN (1) CN110533166B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111121759B (zh) * 2019-12-30 2021-07-27 杭州电子科技大学 一种基于多层长短期记忆网络的地磁室内定位方法
CN111198365A (zh) * 2020-01-16 2020-05-26 东方红卫星移动通信有限公司 一种基于射频信号的室内定位方法
CN111368980B (zh) * 2020-03-06 2023-11-07 京东科技控股股份有限公司 状态检测方法、装置、设备及存储介质
CN113720333B (zh) * 2021-08-16 2023-04-28 中山大学 一种基于图注意力网络的室内多点协同定位方法
CN114440888B (zh) * 2022-01-14 2023-05-16 中山大学 基于序列分组滑动窗口的室内定位方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016011433A2 (en) * 2014-07-17 2016-01-21 Origin Wireless, Inc. Wireless positioning systems
CN106123897A (zh) * 2016-06-14 2016-11-16 中山大学 基于多特征的室内融合定位方法
CN107396322A (zh) * 2017-08-28 2017-11-24 电子科技大学 基于路径匹配与编码译码循环神经网络的室内定位方法
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
CN109917404A (zh) * 2019-02-01 2019-06-21 中山大学 一种室内定位环境特征点提取方法
CN110095786A (zh) * 2019-04-30 2019-08-06 北京云迹科技有限公司 基于一线激光雷达的三维点云地图生成方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016011433A2 (en) * 2014-07-17 2016-01-21 Origin Wireless, Inc. Wireless positioning systems
CN106123897A (zh) * 2016-06-14 2016-11-16 中山大学 基于多特征的室内融合定位方法
CN107396322A (zh) * 2017-08-28 2017-11-24 电子科技大学 基于路径匹配与编码译码循环神经网络的室内定位方法
CN109917404A (zh) * 2019-02-01 2019-06-21 中山大学 一种室内定位环境特征点提取方法
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
CN110095786A (zh) * 2019-04-30 2019-08-06 北京云迹科技有限公司 基于一线激光雷达的三维点云地图生成方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Resource-efficient and Automated Image-based Indoor Localization";QUN NIU，等;《ACM Transactions onSensor Networks》;20190221;第15卷;第1-29页 *
"SLAC: Calibration-Free Pedometer-Fingerprint Fusion for Indoor Localization";suining he,等;《IEEE Transactions on Mobile Computing》;20170927;第17卷;第1176-1189页 *
"室内融合定位的研究与应用";卢志泳;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20160715(第07期);第12-31页 *

Also Published As

Publication number Publication date
CN110533166A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533166B (zh) 一种基于时空间融合特征的室内定位方法
CN112673381B (zh) 一种对抗样本的识别方法及相关装置
CN111832228B (zh) 基于cnn-lstm的振动传递系统
CN114898470A (zh) 基于改进YOLOv5的跌倒行为检测方法及系统
US20200348411A1 (en) Sar image analysis system, image processing apparatus, image processing method, and image processing program
CN109886337B (zh) 基于自适应采样的深度度量学习方法及系统
CN116958584B (zh) 关键点检测方法、回归模型的训练方法、装置及电子设备
CN111931616A (zh) 基于移动智能终端传感器设备的情绪识别方法及系统
US9195913B2 (en) Method of configuring a sensor-based detection device and a corresponding computer program and adaptive device
CN112052816A (zh) 基于自适应图卷积对抗网络的人体行为预测方法及系统
CN115761888A (zh) 基于nl-c3d模型的塔吊操作人员异常行为检测方法
CN108875500A (zh) 行人再识别方法、装置、系统及存储介质
CN112990106B (zh) 水下物体检测方法、装置、计算机设备和存储介质
CN112990107B (zh) 高光谱遥感图像水下目标检测方法、装置及计算机设备
JP5791555B2 (ja) 状態追跡装置、方法、及びプログラム
CN116879910B (zh) 激光扫描测距装置及其方法
CN108154199B (zh) 一种基于深度学习的高精度快速单类目标检测方法
CN117456280A (zh) 一种岩体结构面识别方法、装置、设备及可读存储介质
Celik et al. Change detection without difference image computation based on multiobjective cost function optimization
CN114358162B (zh) 一种基于连续小波变换的跌倒检测方法、装置及电子设备
CN103903258B (zh) 基于次序统计量谱聚类的遥感图像变化检测方法
CN113435243B (zh) 一种高光谱真实下采样模糊核估计方法
CN105184275B (zh) 基于二值决策树的红外局部人脸关键点获取方法
CN114327045A (zh) 基于类别不平衡信号的跌倒检测方法及系统
CN113780520A (zh) 一种山体滑坡mems加速度传感器误差补偿方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant