CN111914688B - 一种适用于无人车的行人及障碍物检测算法 - Google Patents
一种适用于无人车的行人及障碍物检测算法 Download PDFInfo
- Publication number
- CN111914688B CN111914688B CN202010679630.1A CN202010679630A CN111914688B CN 111914688 B CN111914688 B CN 111914688B CN 202010679630 A CN202010679630 A CN 202010679630A CN 111914688 B CN111914688 B CN 111914688B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- sample
- following formula
- following
- steps
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种适用于无人车的行人及障碍物检测算法,属于人工智能领域,一:收集对校园内不同场景、时间段的图像,并提取到其中障碍物的HOG特征,每一个时间段和场景选取其中一个子空间进行聚类得到一个字典,重复操作得到多个字典;二:无人收件系统在途中先通过检测器得到可能存在障碍物目标的候选框,并提取其HOG特征,将原图表示为一个多维的直方图向量;三:根据公式选择和待检测样本相似的样本,并将两者融合;四:通过融合特征算出其基于字典的特征,并得出其分类;五:对检测结果进行人工标识,并通过人工标识通过DHA‑DE算法对参数进行优化;本发明通过具有良好的鲁棒性,降低了环境变化对检测器性能的影响。
Description
技术领域
本发明涉及一种无人车,具体的说是一种适用于无人车的行人及障碍物检测算法,属于人工智能技术领域。
背景技术
行人及障碍物检测是目标检测中的一个热点问题,其在无人驾驶、智慧交通等方面有着重要的应用;同时,因为极易受到视角、分辨率过低、光照变化、有遮挡、复杂背景的影响,行人及障碍物检测一直是一个极具挑战的问题。
在过去的几十年里,大部分目标检测方法都是基于CNN方法,YOLO方法等,这些方法取得较好结果的前提是训练样本必须来自于目标应用场景,当这一假设不满足时,检测器往往会出现大幅度的性能下降。
发明内容
本发明的目的是提供一种适用于无人车的行人及障碍物检测算法,通过采用迁移学习方法进行目标检测,迁移学习方法具有良好的鲁棒性,降低了环境变化对检测器性能的影响。
本发明的目的是这样实现的:一种适用于无人车的行人及障碍物检测算法,其特征在于,
步骤一:收集对校园内不同场景,时间段的图像,并提取到其中障碍物的HOG特征,每一个时间段和场景选取其中一个子空间进行聚类得到一个字典,重复操作得到多个字典;
步骤二:无人收件系统在运行途中先通过一种域适应的检测器得到可能存在障碍物目标的候选框,并提取其HOG特征并基于字典,将原图表示为一个多维的直方图向量;
步骤三:根据公式选择和待检测样本相似的样本,并将两者融合;
步骤四:通过融合特征算出其基于字典的特征,并得出其分类;
步骤五:对检测结果进行人工标识,并通过人工标识通过DHA-DE算法对参数进行优化。
作为本发明的进一步限定,步骤一中数据集在设定时保证对于不同时间段,不同场景都要有充分采样,并且通过这些采样形成不同的字典;在进行检测前可以通过与不同字典的距离比较,选择最优字典用于检测工作;
最优字典的选择由下述公式实现:
其中φ为一个映射。
作为本发明的进一步限定,步骤一中通过聚类算法消除异常样本对聚类影响,所述聚类算法包括以下步骤:
步骤a:确认聚类中心个数C,以及区间[m1,m2]和[η1,η2],迭代阈值ε;
步骤b:随机生成聚类中心位置;
步骤e:通过下述公式计算出各聚类中心vi,i=1,2,3,…,C:
步骤f:重复上述步骤c到步骤e直到‖V(t)-V(t-1)‖<ε
其中t为迭代次数,V=[v1,v2,…,vC],ε为常数。
作为本发明的进一步限定,步骤三具体如下:根据下述公式选择和待检测样本相似的样本,并将两者融合得到融合特征ymix=(1-γ)y+γynear;(γ为常数)其中邻近样本的下标near通过下述公式计算:
其中待测样本v与其他目标样本vj相似度通过下面公式计算:
s(v,vj)=kernel(v,v)+kernel(vj,vj)-2kernel(v,vj)
作为本发明的进一步限定,步骤四具体包括:通过下述公式算出其基于字典的特征,并得出其分类;
作为本发明的进一步限定,步骤五中所述DHA-DE算法具体包括以下步骤:
步骤a:确认迭代次数G、种群数量NP、个体维度D以及维度上下限XL、XH;通过下述公式确定初始种群
Xi,0=XL+rand[0,1]*(XH-XL)
其中i∈[1,2,…,NP],Xi,0=[xi,1,0,xi,2,0,…,xi,D,0],rand[0,1]为在[0,1]区间随机生成的随机数;
步骤b:通过下述公式生成变异个体:
Vi,g+1=Xr1,g+F*(Xr2,g-Xr3,g)
其中g是当前迭代次数,r1,r2,r3∈[1,2,…,NP]为个体下标且r1≠r2≠r3,F∈(0,2]为缩放因子,每一次迭代缩放因子由下述公式给出:
其中FMIN、FMAX分别为缩放因子最小取值和最大取值,γ1、γ2为参数,g为当前迭代次数,G为最大迭代次数,e为自然常数;
步骤c:通过计算得到的动态交叉概率Pi∈[0,1]以及下述公式进行交叉得到交叉个体Ui,g+1=[ui,1,g+1,ui,2,g+1,…,ui,D,g+1]
其中,randj∈[0,1],randD∈{1,2,3,…,D};为随机生成的数。
Pi是考虑了种群动态性的交叉概率,由下述公式给出;
其中f(Xi)为第i个体的适应度,f(X)max、f(X)min、f(X)avg分别为种群中最大适应度、最小适应度平均适应度;
步骤d:在进行选择之前先对个体进行扰动操作和互补复制操作,其中扰动操作具体做法由下述公式给出
Xi,g=Xi,g+C*N(0,1)
其中C为预定好的常数,N(0,1)为一个服从标准高斯分布的随机数;对于互补复制操作具体操作如下:通过编码器将个体编码成由A(0),T(1),G(2),C(3)构成的DNA单链,通过碱基互补原则生成他的互补链,并将其通过解码器解码后放入至变异个体中以待被选择;
步骤e:通过下述公式选择下一代的个体
其中f(X)为个体的适应度;
步骤f:从步骤b开始重复直到迭代结束。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.引入多个字典的方法可以使方法在使用大多数环境的情况下还可以保证高效;
3.将样本和其他样本融合,提高了困难样本的识别率;
4.通过使用DHA-DE算法对参数进行调整提高了方法的预测准确率。
附图说明
图1为本发明流程图。
图2为本发明中检测器示意图。
图3为本发明中DHA-DE算法。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示的一种适用于无人车的行人及障碍物检测算法:
步骤一:收集对校园内不同场景,时间段的图像,并提取到其中障碍物的HOG特征,每一个时间段和场景选取其中一个子空间进行聚类得到一个字典,重复操作得到多个字典,选择最优字典用于检测工作;
最优字典的选择由下述公式实现:
其中φ为一个映射。
步骤二:无人收件系统在运行途中先通过一种域适应的检测器得到可能存在障碍物目标的候选框,并提取其HOG特征并基于字典,将原图表示为一个多维的直方图向量,其中域适应的检测器如图2所示,通过先验知识选择相应的检测模块,其中检测模块由两个全连接层组成;
步骤三:根据公式选择和待检测样本相似的样本,并将两者融合特征ymix=(1-γ)y+γynear;(γ为常数)其中邻近样本的下标near通过下述公式计算:
其中待测样本v与其他目标样本vj相似度通过下面公式计算:
s(v,vj)=kernel(v,v)+kernel(vj,vj)-2kernel(v,vj)
步骤四:通过融合特征算出其基于字典的特征,并得出其分类;
步骤五:对检测结果进行人工标识,并通过人工标识通过DHA-DE算法对参数进行优化,如图3所示,DHA-DE算法具体包括以下步骤:
步骤a:确认迭代次数G、种群数量NP、个体维度D以及维度上下限XL、XH;通过下述公式确定初始种群
Xi,0=XL+rand[0,1]*(XH-XL)
其中i∈[1,2,…,NP],Xi,0=[xi,1,0,xi,2,0,…,xi,D,0],rand[0,1]为在[0,1]区间随机生成的随机数;
步骤b:通过下述公式生成变异个体:
Vi,g+1=Xr1,g+F*(Xr2,g-Xr3,g)
其中g是当前迭代次数,r1,r2,r3∈[1,2,…,NP]为个体下标且r1≠r2≠r3,F∈(0,2]为缩放因子,每一次迭代缩放因子由下述公式给出:
ADE其中FMIN、FMAX分别为缩放因子最小取值和最大取值,γ1、γ2为参数,g为当前迭代次数,G为最大迭代次数,e为自然常数;
步骤c:通过计算得到的动态交叉概率Pi∈[0,1]以及下述公式进行交叉得到交叉个体Ui,g+1=[ui,1,g+1,ui,2,g+1,…,ui,D,g+1]
其中,randj∈[0,1],randD∈{1,2,3,…,D};为随机生成的数。
Pi是考虑了种群动态性的交叉概率,由下述公式给出;
其中f(Xi)为第i个体的适应度,f(X)max、f(X)min、f(X)avg分别为种群中最大适应度、最小适应度平均适应度;
步骤d:在进行选择之前先对个体进行扰动操作和互补复制操作,其中扰动操作具体做法由下述公式给出
Xi,g=Xi,g+C*N(0,1)
其中C为预定好的常数,N(0,1)为一个服从标准高斯分布的随机数;对于互补复制操作具体操作如下:通过编码器将个体编码成由A(0),T(1),G(2),C(3)构成的DNA单链,通过碱基互补原则生成他的互补链,并将其通过解码器解码后放入至变异个体中以待被选择;
步骤e:通过下述公式选择下一代的个体
其中f(X)为个体的适应度;
步骤f:从步骤b开始重复直到迭代结束。
步骤一中通过聚类算法消除异常样本对聚类影响,所述聚类算法包括以下步骤:
步骤a:确认聚类中心个数C,以及区间[m1,m2]和[η1,η2],迭代阈值ε;
步骤b:随机生成聚类中心位置;
步骤e:通过下述公式计算出各聚类中心vi,i=1,2,3,…,C:
步骤f:重复上述步骤c到步骤e直到‖V(t)-V(t-1)‖<ε
其中t为迭代次数,V=[v1,v2,…,vc]。
下面以校园行人检测为例,说明算法使用的过程;算法实时步骤包括:制作多个字典,选择候选框并形成直方图,将样本和相邻样本融合,预测,参数优化。
步骤一:制作多个字典,本例从校园场景中取样:
(1)采集图像;从校园不同时间段取样;
(2)图像备注;从图像中取得有行人的图像和其他障碍物的图像并进行HOG特征提取;
(3)选取一个子空间进行聚类得到一个800维度的字典,其中聚类类别C=5,m=[1.5,2.5],η=[1.5,2.5]。
步骤二:选择候选框并形成直方图:
(1)选择候选框;通过域适应检测器对图像进行检测,选择可能有行人的候选框,为了保证检测效率,阈值应该尽量松弛;
(2)选取最优字典;通过如下公式选取最优字典;
(3)形成直方图;对候选框提取HOG特征,并通过最优字典形成800维的向量。
步骤三:将样本和相邻样本融合:
(1)图像预处理;将所有目标样本的原图像预处理成60x60的灰度图,并将其归一化成(0,1)之间的数值;
(2)选取近邻样本。通过公式选择邻近样本;
步骤四:预测:
(1)获得基于字典的特征c;通过下述公式获得基于字典的特征z,其中α、β、λ取值分别为5,0.0001,0.0001;
(2)获得预测标签;通过下述公式获得预测标签;
步骤五:参数优化:
(1)人工标定;对目标样本进行标记分类;
(2)初始化DHA-DE算法。迭代次数设置为50次,D=4,设定α、β、λ、γ的取值上下限,分别为[1,20],[0,0.0025],[0,0.0025],[0,0.5]。设定γ1、γ2取值分别为0.3和10,设定FMIN、FMAX取值分别为0.05,0.8。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种适用于无人车的行人及障碍物检测算法,其特征在于,
步骤一:收集对校园内不同场景,时间段的图像,并提取到其中障碍物的HOG特征,每一个时间段和场景选取其中一个子空间进行聚类得到一个字典,重复操作得到多个字典,步骤一中通过聚类算法消除异常样本对聚类影响,所述聚类算法包括以下步骤:
步骤a:确认聚类中心个数C,以及区间[m1,m2]和[η1,η2],迭代阈值ε;
步骤b:随机生成聚类中心位置;
步骤e:通过下述公式计算出各聚类中心vi,i=1,2,3,…,C:
步骤f:重复上述步骤c到步骤e直到||V(t)-V(t-1)||<ε
其中t为迭代次数,V=[v1,v2,…,vC],ε为常数;
步骤二:无人收件系统在运行途中先通过一种域适应的检测器得到可能存在障碍物目标的候选框,并提取其HOG特征并基于字典,将原图表示为一个多维的直方图向量;
步骤三:根据公式选择和待检测样本相似的样本,并将两者融合;
步骤四:通过融合特征算出其基于字典的特征,并得出其分类;
步骤五:对检测结果进行人工标识,并通过人工标识通过DHA-DE算法对参数进行优化。
5.根据权利要求1所述的一种适用于无人车的行人及障碍物检测算法,其特征在于,步骤五中所述DHA-DE算法具体包括以下步骤:
步骤a:确认迭代次数G、种群数量NP、个体维度D以及维度上下限XL、XH;通过下述公式确定初始种群
Xi,0=XL+rand[0,1]*(XH-XL)
其中i∈[1,2,…,NP],Xi,0=[xi,1,0,xi,2,0,…,xi,D,0],rand[0,1]为在[0,1]区间随机生成的随机数;
步骤b:通过下述公式生成变异个体:
Vi,g+1=Xr1,g+F*(Xr2,g-Xr3,g)
其中g是当前迭代次数,r1,r2,r3∈[1,2,…,NP]为个体下标且r1≠r2≠r3,F∈(0,2]为缩放因子,每一次迭代缩放因子由下述公式给出:
其中FMIN、FMAX分别为缩放因子最小取值和最大取值,γ1、γ2为参数,g为当前迭代次数,G为最大迭代次数,e为自然常数;
步骤c:通过计算得到的动态交叉概率Pi∈[0,1]以及下述公式进行交叉得到交叉个体Ui,g+1=[ui,1,g+1,ui,2,g+1,…,ui,D,g+1]
其中,randj∈[0,1],randD∈{1,2,3,…,D};为随机生成的数;
Pi是考虑了种群动态性的交叉概率,由下述公式给出;
其中f(Xi)为第i个体的适应度,f(X)max、f(X)min、f(X)avg分别为种群中最大适应度、最小适应度、 平均适应度;
步骤d:在进行选择之前先对个体进行扰动操作和互补复制操作,其中扰动操作具体做法由下述公式给出
Xi,g=Xi,g+C*N(0,1)
其中C为预定好的常数,N(0,1)为一个服从标准高斯分布的随机数;对于互补复制操作具体操作如下:通过编码器将个体编码成由A(0),T(1),G(2),C(3)构成的DNA单链,通过碱基互补原则生成他的互补链,并将其通过解码器解码后放入至变异个体中以待被选择;
步骤e:通过下述公式选择下一代的个体
其中f(X)为个体的适应度;
步骤f:从步骤b开始重复直到迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010679630.1A CN111914688B (zh) | 2020-07-15 | 2020-07-15 | 一种适用于无人车的行人及障碍物检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010679630.1A CN111914688B (zh) | 2020-07-15 | 2020-07-15 | 一种适用于无人车的行人及障碍物检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914688A CN111914688A (zh) | 2020-11-10 |
CN111914688B true CN111914688B (zh) | 2022-08-30 |
Family
ID=73281758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010679630.1A Active CN111914688B (zh) | 2020-07-15 | 2020-07-15 | 一种适用于无人车的行人及障碍物检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914688B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609910A (zh) * | 2012-01-13 | 2012-07-25 | 西安电子科技大学 | 基于Ridgelet冗余字典的遗传进化图像重构方法 |
CN104657717A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 一种基于分层核稀疏表示的行人检测方法 |
CN108846414A (zh) * | 2018-05-22 | 2018-11-20 | 浙江理工大学 | 基于决策级融合思想的sar图像子类别分类方法 |
-
2020
- 2020-07-15 CN CN202010679630.1A patent/CN111914688B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609910A (zh) * | 2012-01-13 | 2012-07-25 | 西安电子科技大学 | 基于Ridgelet冗余字典的遗传进化图像重构方法 |
CN104657717A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 一种基于分层核稀疏表示的行人检测方法 |
CN108846414A (zh) * | 2018-05-22 | 2018-11-20 | 浙江理工大学 | 基于决策级融合思想的sar图像子类别分类方法 |
Non-Patent Citations (1)
Title |
---|
结构化低秩字典学习的人脸识别;李开宇等;《中国图象图形学报》;20180816(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914688A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN113190699B (zh) | 一种基于类别级语义哈希的遥感图像检索方法及装置 | |
CN109214452B (zh) | 基于注意深度双向循环神经网络的hrrp目标识别方法 | |
CN105913025B (zh) | 一种基于多特征融合的深度学习人脸识别方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN109740676B (zh) | 基于相似目标的物体检测迁移方法 | |
CN109086770B (zh) | 一种基于精准尺度预测的图像语义分割方法及模型 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN110991321B (zh) | 一种基于标签更正与加权特征融合的视频行人再识别方法 | |
CN110889865B (zh) | 一种基于局部加权稀疏特征选择的视频目标跟踪方法 | |
CN110458022B (zh) | 一种基于域适应的可自主学习目标检测方法 | |
CN108345866B (zh) | 一种基于深度特征学习的行人再识别方法 | |
CN111353487A (zh) | 用于变电站的设备信息提取方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115471739A (zh) | 基于自监督对比学习的跨域遥感场景分类与检索方法 | |
CN114821299B (zh) | 一种遥感图像变化检测方法 | |
CN114692732A (zh) | 一种在线标签更新的方法、系统、装置及存储介质 | |
CN115311449A (zh) | 基于类重激活映射图的弱监督图像目标定位分析系统 | |
CN113326738B (zh) | 基于深度网络和字典学习的行人目标检测与重识别方法 | |
CN110675382A (zh) | 基于CNN-LapsELM的铝电解过热度识别方法 | |
CN111223126B (zh) | 一种基于迁移学习的跨视角轨迹模型构建方法 | |
CN114049541A (zh) | 基于结构化信息特征解耦与知识迁移的视觉场景识别方法 |
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 |