CN111506691B - 一种基于深度匹配模型的轨迹匹配方法和系统 - Google Patents
一种基于深度匹配模型的轨迹匹配方法和系统 Download PDFInfo
- Publication number
- CN111506691B CN111506691B CN202010311878.2A CN202010311878A CN111506691B CN 111506691 B CN111506691 B CN 111506691B CN 202010311878 A CN202010311878 A CN 202010311878A CN 111506691 B CN111506691 B CN 111506691B
- Authority
- CN
- China
- Prior art keywords
- track
- neural network
- convolutional neural
- trajectories
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 19
- 238000010295 mobile communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 10
- 238000013145 classification model Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种用于轨迹匹配的方法和系统,能使用嵌入技术对两条轨迹进行编码,然后计算轨迹中任意两点之间的相似度,形成相似度矩阵,并利用卷积神经网络处理所述相似度矩阵,得到表示两条轨迹是否匹配的数值。本发明可以充分挖掘数据潜在规律,尽可能多的利用数据中包含的地理信息、时间信息甚至包括数据采集误差信息,从而提升数据质量较差时的匹配效果。
Description
技术领域
本发明属于移动数据分析领域,具体而言,涉及一种基于深度匹配模型的轨迹匹配方法和系统。
背景技术
轨迹匹配是一种利用移动通信系统中的基站获得已知用户的轨迹,并根据该轨迹在一定范围内寻找与该用户的运动行为相似的其它轨迹的技术。轨迹匹配在追踪目标、发现相似用户、寻找常用运动轨迹等方面有非常重要的应用。
在移动通信领域中,虽然移动通信终端可以通过类似于GPS等方式来获得相对准确的定位数据,但这些数据不仅无法做到7*24小时不间断地被采集(通常只能采集到很短的时间段内的数据),而且获取的难度较高。
因此,在现有技术中已提出了基于基站轨迹序列的轨迹匹配的技术来克服上述缺陷。移动通信终端会不定期地与周边的基站发生通信。而基站轨迹序列就是指在一段时间内所有与移动通信终端发生过通信的基站按时间先后顺序所形成的可以表示运运位置的序列。基站轨迹序列的每一个点为在特定时间与移动通信终端发生通信的基站位置。在本公开中,通过基站轨迹序列近似表示相关移动通信终端、人或其它物体的运动轨迹,可以将研究这些对象的轨迹匹配问题转换为研究基站轨迹序列匹配的问题。
现有技术中的轨迹匹配通常通过计算欧氏距离、最长公共子序列或编辑距离等方式来计算两条运动轨迹之间的距离,来表示两条轨迹之间的相似度(即判断两条轨迹的匹配程度)。然而,这些方法有以下缺点:
第一,对数据质量要求较高,对于基站轨迹序列这种偏差较大,点较少的情况适用性较差;
第二,这类计算距离的方法大多仅考虑了轨迹上的位置之间的距离,没有加入时间属性约束;
第三,这些方法只能处理特定的应用场景,无法适应现实复杂的场景。
发明内容
本发明的实施例涉及一种用于轨迹匹配的方法,包括:(1)提供第一轨迹和第二轨迹;(2)使用嵌入技术对第一轨迹进行编码,生成第三轨迹;(3)使用所述嵌入技术对第二轨迹进行编码,生成第四轨迹;(4)计算所述第三和第四轨迹中任意两点之间的相似度,形成相似度矩阵;以及(5)利用卷积神经网络处理相似度矩阵,得到表示第一轨迹和第二轨迹是否匹配的数值。
本发明的实施例还涉及一种系统,包括:存储器,其中存储有计算机可执行指令;以及处理器,所述处理器在执行所述计算机可执行指令时能够执行根据本发明的实施例的用于轨迹匹配的方法。本发明的实施例还涉及一种计算机可读介质,其中存储有计算机可执行指令,所述计算机可执行指令被执行时能够执行根据本发明的实施例的用于轨迹匹配的方法。
本发明的一些实施例利用深度学习方法,充分挖掘数据潜在规律,尽可能多的利用数据中包含的地理信息、时间信息甚至包括数据采集误差信息,从而提升数据质量较差时的匹配效果。本发明的一些实施例通过有监督的学习方法,构建融合各类场景的正负训练样本,可以对样本进行充分的学习。本发明的一些实施例对时间匹配程度做了充分的考虑,在构造深度神经网络时,通过嵌入(Embedding)技术,对时间和位置同时进行编码,能够直接计算两个轨迹的整体的时空相似度。
附图说明
图1是根据本发明实施例的深度学习分类模型。
具体实施方式
现在将参照若干示例性实施例来说明本发明的内容。应当理解,说明这些实施例仅是为了使得本领域普通技术人员能够更好地理解并且因此实现本发明的内容,而不是暗示对本发明的范围进行任何限制。
如本文中所使用的,术语“包括”及其变体应当解读为意味着“包括但不限于”的开放式术语。术语“基于”应当解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”应当解读为“至少一个实施例”。术语“另一个实施例”应当解读为“至少一个其他实施例”。
如本领域所熟知的,机器学习一般分为有监督学习和无监督学习。有监督学习是指从训练样本中学到或建立一种模式或模型,其中每一条训练样本均由输入对象和真实结果组成;当形成模型后,利用模型推断新的对象对应的预期结果。反之,若训练样本中不包含真实结果则称之为无监督学习。在有监督学习中,输出的结果可以为一个连续的数值(称为回归),也可以是一个分类标签(也称为分类)。特别地,如果分类标签只有两类(例如,标签为“是”或“不是”,“好”或“不好”,“对”或“不对”等),则称之为二分类。如何划分二分类被称二分类问题。
对于给定的一条主轨迹以及多个候选的疑似与主轨迹匹配的轨迹(也称“候选轨迹”),将主轨迹分别与各候选轨迹组成轨迹对,轨迹匹配问题即可转换为判断轨迹对是否匹配的问题。因此,本发明可以将轨迹匹配问题转换为机器学习中经典的二分类问题,即判断各轨迹对是否匹配的问题。
本发明的实施例能够使用基于深度卷积神经网络的分类模型。本发明的实施例还能够利用已知的嵌入(Embedding)技术。本领域中已有多种对“嵌入”技术的表述。按照一种表述,嵌入本质是一种映射,可以将待处理对象从原始空间映射到向量空间的映射,同时尽可能在向量空间保持对象与其它同类对象在原始空间的关系。例如,若将嵌入应用于文本,则是指将一个词语映射为一个向量。
本发明的实施例能够利用嵌入技术,将基站轨迹序列映射为向量序列,再根据各个向量序列之间的相似度构建相似矩阵,进而将基站轨迹序列匹配问题转换为卷积神经网络领域中的二分类问题。
图1示出了根据本发明的实施例,利用深度学习分类模型来解决轨迹匹配问题的技术方案。
参见图1,首先构造训练样本。有监督学习的算法需要尽可能多的分布均衡的有标注的训练集、验证集及测试集(标注可以表示样本是否真正匹配)。本公开使用这些样本集合在本领域公知的概念,在此不做赘述。
对于移动通信领域中的轨迹匹配问题,真实的带有标注的样本的获取通常非常困难,因此本发明的实施例可以使用人工标注样本(即真实的有标注的训练样本,其一般通过人员实地采集获得)和规则样本(即根据人工制定的规则而抽取的训练样本)。例如,人工标注样本可以通过以下方法产生:两个人各带一部移动通信终端,彼此保持非常近的距离在户外运动一段时间后产生的样本;在此情形下产生的是两条匹配的轨迹。当然,如果两人之间的距离相当远,则会产生两条不匹配的轨迹。又例如,规则样本是通过人工制定规则后从数据库中抽取的轨迹对。但人工制定的规则并不能完全确保这两条轨迹是完全匹配的(也就是说事先不能确定是否匹配),只能通过规则的设定来挑选出一些我们认为大概率是匹配的轨迹。一般地,人工实地获取的样本的量相对较少,而规则样本可以抽取出非常多的样本。
本发明的实施例可以构造双卡对。在现实中,一些用户会使用一机多卡功能。通过综合考虑开关机的位置、时间、次数,即筛选在同一定点,同时进行开关机动作的次数满足给定数量的手机号码对即被认为是双卡用户对。可以假设对于双卡用户对的两个手机号码的真实运动轨迹大概率是一致的。本发明的实施例可以从双卡用户对的数据抽取轨迹样本。例如通过对双卡对的历史轨迹进行分析,以固定时间区间来切分历史轨迹序列,并找出其中基站轨迹点数较多的基站轨迹序列片段,构成匹配的正样本。如此形成的样本数据包含了地理信息、时间信息甚至包括数据采集误差信息(例如基站轨迹信息本身可能含有误差),使用这样的数据训练出来的模型能更有效地处理数据质量较差时的轨迹匹配问题。另外,在采集数据时,可以结合实际场景的不同(例如基站较稠密的场景和基站较稀疏的场景)来设计不同的数据采集规则,因此用如此采集的数据训练出来的模型对不同的场景具有较好的兼容性。在此,可以将互相匹配的轨迹对标注为正样本(或设置“正样品”的标签),而明确不匹配的轨迹对标注为负样本(或设置“负样品”的标签)。
在构造好训练样本(即收集完人工标注样本及抽取完规则样本)后,即可构造根据本发明实施例的深度学习分类模型。本发明的深度学习分类模型的构造包括利用嵌入技术来构造相似度矩阵。对于轨迹匹配来说,该过程又可称为对轨迹的编码。
在本发明的实施例中,可以首先通过嵌入技术将基站轨迹序列编码为向量序列,然后计算轨迹间任意两点之间的相似度生成相似度矩阵。根据一个实施例,针对按前述实施例构造的两条基站轨迹样本T1、T2,可以按照如下方法进行编码和相似度矩阵的构造:
(1)对轨迹T1、T2分别使用三层卷积网络进行编码
其中,Ti=(loc0,loc1,…,locn)表示基站轨迹序列,loci=(loni,lati)表示相对于基站轨迹序列中的第一个点后第i分钟的基站位置,即(经度,纬度)。K1,K2,K3分别为三组需要进行训练的卷积核。
编码后的轨迹可以表示为:
X1=(w1,w2,w3,…,wn),X2=(v1,v2,v3,…,vn),
其中,wi、vi均为指定维数的向量,即loci的编码。向量wi,vi的维数(即向量的大小或长度)可以人工指定。
(2)计算编码后的轨迹X1,X2中任意两点wi,vj之间的相似度,形成相似度矩阵。可用的相似度计算方法很多如内积、余弦相似度等各类计算方法。本发明的一些实施例采用内积来计算相似度,即,相似度矩阵A=(aij),其中,
在形成相似度矩阵后,可以使用经典的卷积神经网络(可以参考:https:// en.wikipedia.org/wiki/Convolutional_neural_network)来处理相似度矩阵,以构造根据本发明的实施例的深度卷积神经网络分类模型。在本发明的实施例中形成该分类模型的过程可以包括如下步骤:
(1)所使用的卷积神经网络可以包括3*3的卷积核,以处理相似度矩阵(参考:https://en.wikipedia.org/wiki/Kernel_(image_processing))做卷积计算。优选地,卷积神经网络的处理还可以包括对卷积计算的结果进行批量正则化(Batch Normalization,“BN”)处理(批量正则化的具体实施方式可参考:https://en.wikipedia.org/wiki/Batch_ normalization)。
(2)优选地,卷积神经网络还可以包括至少一个残差模块(Residual Block),以对步骤(1)的正则化结果进行进一步处理。残差模块可以有效地解决深度卷积神经网络的梯度消失问题。本发明实施例可以使用已知的经典Bottleneck(“瓶颈”)残差模块,该模块常用于网络深度大于50层的情形。残差模块还有助于加深模型的深度,能提取更多数据特征。
(3)优选地,卷积神经网络还可以包括残差模块之后引入的随机失活(Dropout)层,以对数据进行进一步的处理。此步骤中可以先按一定概率使得矩阵中元素随机设置为0后再引入随机失活层进行处理;测试表明,这样做能增强最终所得模型的适应能力。
(4)然后,优选地,卷积神经网络还可以包括全连接层及Sigmoid激活函数。全连接层和Sigmoid激活函数(又称激励函数)都是本领域已知的。全连接层可以被认为是卷积神经网络的一部分。全连接操作将矩阵与一权重向量(待训练参数)相乘,将该矩阵扁平化为一个向量。而Sigmoid函数可以将输入转换为0-1之间的数值(也可以看作为概率值)。然后,本发明的实施例可以根据所设定的阈值(例如如0.5),将小于该阈值的概率值分为一类(例如表示两条样本轨迹不匹配),大于该阈值的概率值为另一类(例如表示两条样本轨迹匹配)。
本发明的实施例通过以上步骤,完成了从基站轨迹的样本构造以及深度学习分类模型的构建。在本发明的实施例中,可以引入公知的针对二分类问题的交叉熵损失函数,对两条轨迹样本T1、T2进行处理后得到的分类匹配结果与最初对该样本的标注计算交叉熵损失。
交叉熵损失函数的运用通常需要基于一定数量的样本(例如100对样本轨迹甚至更多),其运算公式如下
其中p表示对一个样本轨迹对经上述经卷积神经网络计算出的分类概率值,而q表示最初对该轨迹对的标注。
交叉熵损失H表征了所构建的模型的质量。本发明的实施例可以根据交叉熵损失,通过已知的反向传播算法来训练、调整前述模型中的参数(例如卷积网络中涉及的卷积核、全连接层的权重向量等等)。可以进行多轮的训练、调整,直至生成被认为可实用的模型。
在本发明的实施例中,对于给定的一组基站轨迹序列T1、T2,将T1、T2代入上述生成好的轨迹匹配模型,得到最终结果为0到1之间的概率值,该值越高,则说明两条轨迹越匹配,反之,则越不匹配。在本发明的另一些实施例中,对于一条主轨迹序列及多个候选轨迹序列,将主轨迹序列与候选轨迹序列分别组成轨迹对,对每一对利用上述轨迹匹配模型计算,可以得到一组概率值,通过概率值的排序(例如,从大到小排序),即可以得到候选轨迹序列的匹配主轨迹序列的可能性的排序。
在本发明的实施例中,在通过嵌入技术构造完相似度矩阵,将轨迹匹配问题转换为图像分类问题后,在前文所述的深度卷积神经网络之外,所有基于深度卷积分类的神经网络结构都可以使用,例如AlexNet、VGGNet、ResNet、ResNeXt、InceptionNet、Xception等。
图1所示的实施例实现了端到端的深度学习方法(从样本输入端到最终判断是否匹配的端),能够有效地避免一些现有技术的方法所需要的复杂的特征构造过程。
本发明各实施例的方法和装置可以实现为纯粹的软件模块(例如用Java或Python语言来编写的软件程序),也可以根据需要实现为纯粹的硬件模块(例如专用ASIC芯片、FPGA芯片或GPU模块),还可以实现为结合了软件和硬件的模块(例如存储有固定代码的固件系统)。
本发明的另一个方面是一种计算机可读介质,其上存储有计算机可读指令,所述指令被执行时可实施本发明各实施例的方法。
本领域普通技术人员可以意识到,以上所述仅为本发明的示例性实施例,并不用于限制本发明。本发明还可以包含各种修改和变化。任何在本发明的精神和范围内作的修改和变化均应包含在本发明的保护范围内。
Claims (19)
1.一种用于轨迹匹配的方法,包括以下步骤(1)到(5):
(1)提供表示基站轨迹序列的第一轨迹和第二轨迹,其中所述基站轨迹序列中的每个点表示地理信息和时间信息;
(2)使用嵌入技术对所述第一轨迹进行编码,生成作为向量序列的第三轨迹,所述第三轨迹中的每个向量表示所述第一轨迹中的每个点的编码;
(3)使用所述嵌入技术对所述第二轨迹进行编码,生成作为向量序列的第四轨迹,所述第四轨迹中的每个向量表示所述第二轨迹中的每个点的编码;
(4)计算所述第三轨迹和第四轨迹中任意两个向量之间的相似度,形成相似度矩阵;以及
(5)利用卷积神经网络处理所述相似度矩阵,得到表示所述第一轨迹和第二轨迹是否匹配的数值。
2.如权利要求1所述的方法,还包括以下步骤(6)到(8):
(6)提供表示所述第一轨迹和第二轨迹是否匹配的标注;
(7)根据所述数值确定所述第一轨迹和第二轨迹是否匹配;以及
(8)如果根据所述数值确定所述第一轨迹和第二轨迹是否匹配的结果与所述标注不一致,则调整所述卷积神经网络的参数,否则不进行所述调整。
3.如权利要求2所述的方法,其中所述调整所述卷积神经网络的步骤使用反向传播算法来调整。
4.如权利要求2所述的方法,其中所述卷积神经网络包括全连接层,并且被调整的所述参数包括所述卷积神经网络中的卷积核或所述全连接层的权重向量。
5.如权利要求2所述的方法,其中,所述步骤(1)到(8)的过程被重复多次。
6.如权利要求1所述的方法,其中所述卷积神经网络选自由AlexNet、VGGNet、ResNet、ResNeXt、InceptionNet和Xception构成的组。
7.如权利要求1所述的方法,其中在所述步骤(5)中,所述卷积神经网络先使用卷积核对所述相似度矩阵做卷积运算,然后对该卷积运算的结果做批量正则化处理。
8.如权利要求1所述的方法,所述卷积神经网络包括至少一个残差模块。
9.如权利要求8所述的方法,所述卷积神经网络在所述至少一个残差模块之后还包括随机失活层,其中在按一定概率将所述至少一个残差模块的输出中的元素随机设置为0后再引入所述随机失活层。
10.如权利要求1所述的方法,其中所述步骤(4)使用内积或余弦相似度来计算所述第三轨迹和第四轨迹中任意两个向量之间的相似度。
11.如权利要求1所述的方法,其中所述第一轨迹和第二轨迹是两个人各带一部移动通信终端,分别在户外运动一段时间后产生的轨迹。
12.如权利要求1所述的方法,其中所述第一轨迹和第二轨迹是具有一机多卡功能的移动通信终端中的两张卡所产生的基站轨迹。
13.如权利要求1所述的方法,所述地理信息包括开关机的位置,所述时间信息包括开关机的时间和次数。
14.如权利要求1所述的方法,其中在采集所述第一轨迹和第二轨迹中的点时考虑了实际场景。
15.如权利要求14所述的方法,其中所述实际场景包括基站的稠密或稀疏程度。
16.如权利要求1所述的方法,其中所述第一轨迹和第二轨迹来自人工标注的样本或规则样本。
17.如权利要求16所述的方法,其中所述规则样本是通过预设的规则从数据库抽取的样本。
18.一种系统,包括:
存储器,其中存储有计算机可执行指令;以及
处理器,所述处理器在执行所述计算机可执行指令时能够执行如权利要求1-17中任意之一所述的方法。
19.一种计算机可读介质,其中存储有计算机可执行指令,所述计算机可执行指令被执行时能够执行如权利要求1-17中任意之一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311878.2A CN111506691B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度匹配模型的轨迹匹配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311878.2A CN111506691B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度匹配模型的轨迹匹配方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506691A CN111506691A (zh) | 2020-08-07 |
CN111506691B true CN111506691B (zh) | 2024-05-31 |
Family
ID=71864144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311878.2A Active CN111506691B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度匹配模型的轨迹匹配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506691B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150319A (zh) * | 2023-10-30 | 2023-12-01 | 北京艾瑞数智科技有限公司 | 一种一人多号的识别方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563806A (zh) * | 2018-01-05 | 2018-09-21 | 哈尔滨工业大学(威海) | 基于相似性的发动机气路参数长期预测方法及系统 |
WO2018196396A1 (zh) * | 2017-04-24 | 2018-11-01 | 清华大学 | 基于一致性约束特征学习的行人再识别方法 |
CN108875548A (zh) * | 2018-04-18 | 2018-11-23 | 科大讯飞股份有限公司 | 人物轨迹生成方法及装置、存储介质、电子设备 |
CN109344725A (zh) * | 2018-09-04 | 2019-02-15 | 上海交通大学 | 一种基于时空关注度机制的多行人在线跟踪方法 |
CN109344695A (zh) * | 2018-08-14 | 2019-02-15 | 中山大学 | 一种基于特征选择卷积神经网络的目标重识别方法和装置 |
CN109389055A (zh) * | 2018-09-21 | 2019-02-26 | 西安电子科技大学 | 基于混合卷积和注意力机制的视频分类方法 |
CN109409393A (zh) * | 2018-06-20 | 2019-03-01 | 苏州大学 | 一种使用轨迹嵌入对用户活动轨迹建模的方法 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
CN109978918A (zh) * | 2019-03-21 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种轨迹追踪方法、装置和存储介质 |
CN110047096A (zh) * | 2019-04-28 | 2019-07-23 | 中南民族大学 | 一种基于深度条件随机场模型的多目标跟踪方法和系统 |
CN110197502A (zh) * | 2019-06-06 | 2019-09-03 | 山东工商学院 | 一种基于身份再识别的多目标跟踪方法及系统 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN110825833A (zh) * | 2019-11-11 | 2020-02-21 | 杭州数澜科技有限公司 | 一种预测用户移动轨迹点的方法 |
-
2020
- 2020-04-20 CN CN202010311878.2A patent/CN111506691B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018196396A1 (zh) * | 2017-04-24 | 2018-11-01 | 清华大学 | 基于一致性约束特征学习的行人再识别方法 |
CN108563806A (zh) * | 2018-01-05 | 2018-09-21 | 哈尔滨工业大学(威海) | 基于相似性的发动机气路参数长期预测方法及系统 |
CN108875548A (zh) * | 2018-04-18 | 2018-11-23 | 科大讯飞股份有限公司 | 人物轨迹生成方法及装置、存储介质、电子设备 |
CN109409393A (zh) * | 2018-06-20 | 2019-03-01 | 苏州大学 | 一种使用轨迹嵌入对用户活动轨迹建模的方法 |
CN109344695A (zh) * | 2018-08-14 | 2019-02-15 | 中山大学 | 一种基于特征选择卷积神经网络的目标重识别方法和装置 |
CN109344725A (zh) * | 2018-09-04 | 2019-02-15 | 上海交通大学 | 一种基于时空关注度机制的多行人在线跟踪方法 |
CN109389055A (zh) * | 2018-09-21 | 2019-02-26 | 西安电子科技大学 | 基于混合卷积和注意力机制的视频分类方法 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
CN109978918A (zh) * | 2019-03-21 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种轨迹追踪方法、装置和存储介质 |
CN110047096A (zh) * | 2019-04-28 | 2019-07-23 | 中南民族大学 | 一种基于深度条件随机场模型的多目标跟踪方法和系统 |
CN110197502A (zh) * | 2019-06-06 | 2019-09-03 | 山东工商学院 | 一种基于身份再识别的多目标跟踪方法及系统 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN110825833A (zh) * | 2019-11-11 | 2020-02-21 | 杭州数澜科技有限公司 | 一种预测用户移动轨迹点的方法 |
Non-Patent Citations (1)
Title |
---|
杨文彦.基于活动轨迹嵌入的用户行为分析.中国优秀硕士学位论文全文数据库信息科技辑.2020,(第4期),I318-282. * |
Also Published As
Publication number | Publication date |
---|---|
CN111506691A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840531B (zh) | 训练多标签分类模型的方法和装置 | |
CN109711463B (zh) | 基于注意力的重要对象检测方法 | |
CN111582409B (zh) | 图像标签分类网络的训练方法、图像标签分类方法及设备 | |
CN111523621A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109522872A (zh) | 一种人脸识别方法、装置、计算机设备及存储介质 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN116978011B (zh) | 一种用于智能目标识别的图像语义通信方法及系统 | |
CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
CN113033507B (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN111832650A (zh) | 基于生成对抗网络局部聚合编码半监督的图像分类方法 | |
CN112733602B (zh) | 关系引导的行人属性识别方法 | |
CN116630727B (zh) | 模型训练方法、深伪图像检测方法、装置、设备及介质 | |
Vallimeena et al. | CNN algorithms for detection of human face attributes–a survey | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN114090401B (zh) | 处理用户行为序列的方法及装置 | |
CN111506691B (zh) | 一种基于深度匹配模型的轨迹匹配方法和系统 | |
CN114677611B (zh) | 数据识别方法、存储介质及设备 | |
CN116363372B (zh) | 弱监督语义分割方法、装置、设备和存储介质 | |
Ragab | Multi-label scene classification on remote sensing imagery using modified Dingo optimizer with deep learning | |
CN115512693B (zh) | 音频识别方法、声学模型训练方法、装置和存储介质 | |
CN113032612B (zh) | 一种多目标图像检索模型的构建方法及检索方法和装置 | |
CN112215282B (zh) | 一种基于小样本图像分类的元泛化网络系统 | |
Murtaza et al. | TAB: Temporally aggregated bag-of-discriminant-words for temporal action proposals | |
CN113205082B (zh) | 基于采集不确定性解耦的鲁棒虹膜识别方法 | |
CN115964527B (zh) | 一种用于单标签图像检索的标签表征构建方法 |
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 |