CN112419204A - 一种基于改进回声状态网络的行车智能控制方法 - Google Patents

一种基于改进回声状态网络的行车智能控制方法 Download PDF

Info

Publication number
CN112419204A
CN112419204A CN202110093607.9A CN202110093607A CN112419204A CN 112419204 A CN112419204 A CN 112419204A CN 202110093607 A CN202110093607 A CN 202110093607A CN 112419204 A CN112419204 A CN 112419204A
Authority
CN
China
Prior art keywords
echo state
state network
road surface
driving
speed
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.)
Granted
Application number
CN202110093607.9A
Other languages
English (en)
Other versions
CN112419204B (zh
Inventor
邓杨敏
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.)
Jiangsu D Shore Information Technology Co ltd
Original Assignee
Jiangsu D Shore Information Technology Co ltd
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 Jiangsu D Shore Information Technology Co ltd filed Critical Jiangsu D Shore Information Technology Co ltd
Priority to CN202110093607.9A priority Critical patent/CN112419204B/zh
Publication of CN112419204A publication Critical patent/CN112419204A/zh
Application granted granted Critical
Publication of CN112419204B publication Critical patent/CN112419204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

一种基于改进回声状态网络的行车智能控制方法，该方法包括以下步骤：步骤1，检测智能小车行驶的车速、路面图像和方向仰角等数据；步骤2，为样本数据添加噪声；步骤3，提取路面图像中的车道线轮廓；步骤4，训练改进后的回声状态网络；步骤5，在线调整回声状态网络权值；步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并实际应用。发明通过模拟噪声环境对传感器采集数据的影响，增强训练得到的模型的鲁棒性。此外，为提高回声状态网络的控制精度，通过对传统的回声状态网络中添加交替最小二乘计算的权重修正值，以实现输出权值矩阵的实时更新，同时权重修正值的使用增强了网络模型的稳定性和准确性。

Description

一种基于改进回声状态网络的行车智能控制方法
技术领域
本发明涉及智能控制领域，特别是涉及一种基于改进回声状态网络的行车智能控制方法。
背景技术
智能小车是指一类能够自我感知环境、规划路径并对实时路况进行合理决策的路径循迹车辆。行为决策模块是自动驾驶智能小车的“大脑”，受到全世界的很多学者的关注。随着机器学习和深度学习在图像处理、语音识别、自然语言处理等领域的发展，自动驾驶技术可以与人工智能进行完美的结合。传统的自动驾驶行为决策算法需要人为设定复杂的规则，从而导致车辆决策时间长、决策效果不佳、对于新的环境不具有适应性，而机器学习作为近年来人工智能和智能控制领域的研究热点，车辆仅通过与环境交互便可以学习到合理、有效的策略。
经统计,在实现小车循迹的众多方法之中,以监督学习使用最为广泛,但监督学习要么需要人工标记大量学习样本,要么需要人工驾驶来获取足够的训练数据,由此而造成的巨大工作量使得这种方法饱受诟病。在实现小车循迹的众多方法之中,以监督学习使用最为广泛,但监督学习要么需要人工标记大量学习样本,要么需要人工驾驶来获取足够的训练数据,不能在线调整网络权值，由此而造成的巨大工作量使得这种方法饱受诟病。
发明内容
为解决上述问题，本发明在人工智能的基础上，提出了一种基于改进回声状态网络的行车智能控制方法。为尽可能的行车中恶劣环境对采集数据的影响，本发明通过模拟噪声环境对传感器采集数据的影响，增强训练得到的模型的鲁棒性。另外，为了提高回声状态网络的控制精度，通过对传统的回声状态网络中添加权重修正值以实现输出权值矩阵的实时更新，同时权重修正值的使用增强了网络模型的稳定性。为达此目的，本发明提供一种基于改进回声状态网络的行车智能控制方法，具体步骤如下，其特征在于：
步骤1，检测智能小车行驶的车速、路面图像和方向仰角数据：通过智能小车上各类传感器分别检测智能小车行驶的车速、路面图像和方向仰角数据，并将需要调整的行车角度和速度作为标签，采集多组样本数据；
步骤2，为样本数据添加噪声：由于行车常处于恶劣环境中，因此为路面图像添加椒盐噪声，信噪比范围控制在35~40dB；
步骤3，提取路面图像中的车道线轮廓：对采集的路面图像做平滑滤波处理，并将采集的路面图像转换为二值图像，再利用Canny边缘检测提取图像中的车道线轮廓；
步骤4，训练改进后的回声状态网络：将训练样本提取后的车道线轮廓数据以及车速、方向仰角作为输入，将需要调整的行车角度和速度作为输出，训练改进后的回声状态网络；
步骤5，在线调整回声状态网络权值：交替最小二次乘法通过实时采集的数据，计算出回声状态网络的权重修正值，实时进行微调，以提高模型的精确性；
步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并实际应用。
进一步，步骤2中为样本数据添加噪声的过程可以表示为：
为提高模型的鲁棒性和稳定性，在训练的路面图像中添加椒盐噪声，信噪比定义如下：
Figure 479829DEST_PATH_IMAGE002
式中，
Figure 924585DEST_PATH_IMAGE003
表示路面图像信号的功率，
Figure 617079DEST_PATH_IMAGE004
表示噪声的功率。
进一步，步骤3中提取路面图像中的车道线轮廓的过程可以表示为：
步骤3.1 将图像转化为二值图像；
步骤3.2 利用平滑滤波算法滤除图像中的椒盐噪声；
步骤3.3 计算路面二值图像的梯度；
步骤3.4 非极大值抑制，剔除梯度方向上局部范围内的非极大值；
步骤3.5 调整低阈值和高阈值，筛选边缘点，得到路面图像中的车道线轮廓。
进一步，步骤4中回声状态网络改进的过程可以表示为：
步骤4.1建立回声状态网络模型训练样本，行车智能控制主要涉及到行车的速度和行驶角度控制，样本数据经过步骤3提取车道线轮廓后，将样本的车道线轮廓数据、车速和方向仰角特征数据D(i)，与样本对应需要调整的行车角度和速度E(i)组成训练样本u(i);
步骤4.2初始化回声状态网络模型，将训练样本中的特征数据D(i)通过网络模型中的输入连接权值矩阵Win进入储备池，需要调整的行车角度和速度E(i) 经过反馈连接权值Wback进入储备池，并根据下式得到系统状态和输出状态：
Figure 170289DEST_PATH_IMAGE006
式中，x(i)是初始值为0的系统参数，f()为储备池节点的激励函数，fout()为储备池输出单元的激励函数，W是储备池内部神经元的连接权值矩阵，Wout 是输出值权重矩阵；
步骤4.3 使用计算输出权值矩阵Wout：
Figure 304467DEST_PATH_IMAGE008
式中，k是输入层的神经元个数，N 是储备池神经元的个数，L 是输出层神经元个数，
Figure DEST_PATH_IMAGE009
表示正则化因子，|| || 表示欧式距离， Wout1是交替最小二乘法计算的权重修正值；
步骤4.4利用交替最小二乘法计算权重修正值Wout1：
步骤4.4.1将权重修正值Wout1和需要调整的行车角度和速度误差组成混合矩阵；
步骤4.4.2利用交替最小二乘法分解混合矩阵，得到两个低维矩阵；
步骤4.4.3将低维矩阵相乘得到重构后的混合矩阵，求得权重修正值；
步骤4.5得到训练完成的行车智能控制改进回声状态网络模型。
进一步，步骤5中在线调整回声状态网络权值的过程可以表示为：
将传感器检测的数据经过步骤3处理后，输入至改进的回声状态网络模型，输出需要调整的行车角度和速度，继而控制行车；同时计算网络输出行车角度和速度与实际值的误差，经过步骤4.4求得权重修正值，在线更新回声状态网络的输出权值矩阵。
本发明一种基于改进回声状态网络的行车智能控制方法，有益效果：本发明的技术效果在于：
1. 本发明利用所提方法有效的模拟噪声环境对传感器采集数据的影响，利用模拟噪声的数据训练控制模型，增强了模型在噪声环境下的鲁棒性；
2. 本发明通过对传统的回声状态网络中添加交替最小二乘计算的权重修正值，以实现输出权值矩阵的实时更新，同时权重修正值的使用增强了网络模型的稳定性和准确性。
附图说明
图1为本发明的流程图；
图2为本发明改进回声状态网络结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于改进回声状态网络的行车智能控制方法，旨在提高智能行车速度及角度控制的准确性和鲁棒性，图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1，检测智能小车行驶的车速、路面图像和方向仰角数据：通过智能小车上各类传感器分别检测智能小车行驶的车速、路面图像和方向仰角数据，并将需要调整的行车角度和速度作为标签，采集多组样本数据；
步骤2，为样本数据添加噪声：由于行车常处于恶劣环境中，因此为路面图像添加椒盐噪声，信噪比范围控制在35~40dB；
步骤2中为样本数据添加噪声的过程可以表示为：
为提高模型的鲁棒性和稳定性，在训练的路面图像中添加椒盐噪声，信噪比定义如下：
Figure 479097DEST_PATH_IMAGE010
式中，
Figure 879510DEST_PATH_IMAGE003
表示路面图像信号的功率，
Figure 405169DEST_PATH_IMAGE004
表示噪声的功率。
步骤3，提取路面图像中的车道线轮廓：对采集的路面图像做平滑滤波处理，并将采集的路面图像转换为二值图像，再利用Canny边缘检测提取图像中的车道线轮廓；
步骤3中提取路面图像中的车道线轮廓的过程可以表示为：
步骤3.1 将图像转化为二值图像；
步骤3.2 利用平滑滤波算法滤除图像中的椒盐噪声；
步骤3.3 计算路面二值图像的梯度；
步骤3.4 非极大值抑制，剔除梯度方向上局部范围内的非极大值；
步骤3.5 调整低阈值和高阈值，筛选边缘点，得到路面图像中的车道线轮廓。
步骤4，训练改进后的回声状态网络：将训练样本提取后的车道线轮廓数据以及车速、方向仰角作为输入，将需要调整的行车角度和速度作为输出，训练改进后的回声状态网络；
步骤4中回声状态网络改进的过程可以表示为：
步骤4.1建立回声状态网络模型训练样本，行车智能控制主要涉及到行车的速度和行驶角度控制，改进回声状态网络结构图如图2所示，样本数据经过步骤3提取车道线轮廓后，将样本的车道线轮廓数据、车速和方向仰角特征数据D(i)，与样本对应需要调整的行车角度和速度E(i)组成训练样本u(i);
步骤4.2初始化回声状态网络模型，将训练样本中的特征数据D(i)通过网络模型中的输入连接权值矩阵Win进入储备池，需要调整的行车角度和速度E(i) 经过反馈连接权值Wback进入储备池，并根据下式得到系统状态和输出状态：
Figure DEST_PATH_IMAGE011
式中，x(i)是初始值为0的系统参数，f()为储备池节点的激励函数，fout()为储备池输出单元的激励函数，W是储备池内部神经元的连接权值矩阵，Wout 是输出值权重矩阵；
步骤4.3 使用计算输出权值矩阵Wout：
Figure 608617DEST_PATH_IMAGE012
式中，k是输入层的神经元个数，N 是储备池神经元的个数，L 是输出层神经元个数，
Figure 700070DEST_PATH_IMAGE009
表示正则化因子，|| || 表示欧式距离， Wout1是交替最小二乘法计算的权重修正值；
步骤4.4利用交替最小二乘法计算权重修正值Wout1：
步骤4.4.1将权重修正值Wout1和需要调整的行车角度和速度误差组成混合矩阵；
步骤4.4.2利用交替最小二乘法分解混合矩阵，得到两个低维矩阵；
步骤4.4.3将低维矩阵相乘得到重构后的混合矩阵，求得权重修正值；
步骤4.5得到训练完成的行车智能控制改进回声状态网络模型。
步骤5，在线调整回声状态网络权值：交替最小二次乘法通过实时采集的数据，计算出回声状态网络的权重修正值，实时进行微调，以提高模型的精确性；
步骤5中在线调整回声状态网络权值的过程可以表示为：
将传感器检测的数据经过步骤3处理后，输入至改进的回声状态网络模型，输出需要调整的行车角度和速度，继而控制行车；同时计算网络输出行车角度和速度与实际值的误差，经过步骤4.4求得权重修正值，在线更新回声状态网络的输出权值矩阵。
步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并实际应用。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种基于改进回声状态网络的行车智能控制方法，具体步骤如下，其特征在于：
步骤1，检测智能小车行驶的车速、路面图像和方向仰角数据：通过智能小车上各类传感器分别检测智能小车行驶的车速、路面图像和方向仰角数据，并将需要调整的行车角度和速度作为标签，采集多组样本数据；
步骤2，为样本数据添加噪声：由于行车常处于恶劣环境中，因此为路面图像添加椒盐噪声，信噪比范围控制在35~40dB；
步骤3，提取路面图像中的车道线轮廓：对采集的路面图像做平滑滤波处理，并将采集的路面图像转换为二值图像，再利用Canny边缘检测提取图像中的车道线轮廓；
步骤4，训练改进后的回声状态网络：将训练样本提取后的车道线轮廓数据以及车速、方向仰角作为输入，将需要调整的行车角度和速度作为输出，训练改进后的回声状态网络；
步骤5，在线调整回声状态网络权值：交替最小二次乘法通过实时采集的数据，计算出回声状态网络的权重修正值，实时进行微调，以提高模型的精确性；
步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并实际应用。
2.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤2中为样本数据添加噪声的过程可以表示为：
为提高模型的鲁棒性和稳定性，在训练的路面图像中添加椒盐噪声，信噪比定义如下：
Figure 951361DEST_PATH_IMAGE002
式中，
Figure 15132DEST_PATH_IMAGE003
表示路面图像信号的功率，
Figure 948452DEST_PATH_IMAGE004
表示噪声的功率。
3.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤3中提取路面图像中的车道线轮廓的过程可以表示为：
步骤3.1 将图像转化为二值图像；
步骤3.2 利用平滑滤波算法滤除图像中的椒盐噪声；
步骤3.3 计算路面二值图像的梯度；
步骤3.4 非极大值抑制，剔除梯度方向上局部范围内的非极大值；
步骤3.5 调整低阈值和高阈值，筛选边缘点，得到路面图像中的车道线轮廓。
4.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤4中回声状态网络改进的过程可以表示为：
步骤4.1建立回声状态网络模型训练样本，行车智能控制主要涉及到行车的速度和行驶角度控制，样本数据经过步骤3提取车道线轮廓后，将样本的车道线轮廓数据、车速和方向仰角特征数据D(i)，与样本对应需要调整的行车角度和速度E(i)组成训练样本u(i);
步骤4.2初始化回声状态网络模型，将训练样本中的特征数据D(i)通过网络模型中的输入连接权值矩阵Win进入储备池，需要调整的行车角度和速度E(i) 经过反馈连接权值Wback进入储备池，并计算得到系统状态和输出状态：
Figure 414069DEST_PATH_IMAGE005
式中，x(i)是初始值为0的系统参数，f()为储备池节点的激励函数，fout()为储备池输出单元的激励函数，W是储备池内部神经元的连接权值矩阵，Wout 是输出值权重矩阵；
步骤4.3 使用计算输出权值矩阵Wout：
Figure 266487DEST_PATH_IMAGE006
式中，k是输入层的神经元个数，N 是储备池神经元的个数，L 是输出层神经元个数，
Figure 817554DEST_PATH_IMAGE007
表示正则化因子，|| || 表示欧式距离， Wout1是交替最小二乘法计算的权重修正值；
步骤4.4利用交替最小二乘法计算权重修正值Wout1：
步骤4.4.1将权重修正值Wout1和需要调整的行车角度和速度误差组成混合矩阵；
步骤4.4.2利用交替最小二乘法分解混合矩阵，得到两个低维矩阵；
步骤4.4.3将低维矩阵相乘得到重构后的混合矩阵，求得权重修正值；
步骤4.5得到训练完成的行车智能控制改进回声状态网络模型。
5.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤5中在线调整回声状态网络权值的过程可以表示为：
将传感器检测的数据经过步骤3处理后，输入至改进的回声状态网络模型，输出需要调整的行车角度和速度，继而控制行车；同时计算网络输出行车角度和速度与实际值的误差，经过步骤4.4求得权重修正值，在线更新回声状态网络的输出权值矩阵。
CN202110093607.9A 2021-01-25 2021-01-25 一种基于改进回声状态网络的行车智能控制方法 Active CN112419204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093607.9A CN112419204B (zh) 2021-01-25 2021-01-25 一种基于改进回声状态网络的行车智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093607.9A CN112419204B (zh) 2021-01-25 2021-01-25 一种基于改进回声状态网络的行车智能控制方法

Publications (2)

Publication Number Publication Date
CN112419204A true CN112419204A (zh) 2021-02-26
CN112419204B CN112419204B (zh) 2021-04-13

Family

ID=74782510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093607.9A Active CN112419204B (zh) 2021-01-25 2021-01-25 一种基于改进回声状态网络的行车智能控制方法

Country Status (1)

Country Link
CN (1) CN112419204B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824318A (zh) * 2023-02-27 2023-03-21 国网江西省电力有限公司电力科学研究院 用于立杆机工作状态的数字化管控的动态监测系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106004884A (zh) * 2016-07-11 2016-10-12 南昌工学院 基于复合传感实现路情实时识别和危险判断的方法及其系统
CN106777752A (zh) * 2016-12-30 2017-05-31 华东交通大学 一种高速列车追踪运行曲线优化设定方法
US10514694B1 (en) * 2015-07-21 2019-12-24 Hrl Laboratories, Llc System and method for classifying agents based on agent movement patterns

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10514694B1 (en) * 2015-07-21 2019-12-24 Hrl Laboratories, Llc System and method for classifying agents based on agent movement patterns
CN106004884A (zh) * 2016-07-11 2016-10-12 南昌工学院 基于复合传感实现路情实时识别和危险判断的方法及其系统
CN106777752A (zh) * 2016-12-30 2017-05-31 华东交通大学 一种高速列车追踪运行曲线优化设定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
伍高飞 等: "《基于回声状态网络速度预测的高速动车组优化控制》", 《电力机车与城轨车辆》 *
单毅: "《回声状态网络算法改进及其应用》", 《CNKI硕士学位论文》 *
叶锋 等: "《基于机器学习的智能出租车预测系统》", 《计算机系统应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824318A (zh) * 2023-02-27 2023-03-21 国网江西省电力有限公司电力科学研究院 用于立杆机工作状态的数字化管控的动态监测系统及方法
CN115824318B (zh) * 2023-02-27 2023-08-15 国网江西省电力有限公司电力科学研究院 用于立杆机工作状态的数字化管控的动态监测系统及方法

Also Published As

Publication number Publication date
CN112419204B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110210551B (zh) 一种基于自适应主体敏感的视觉目标跟踪方法
CN110222769A (zh) 一种基于YOLOV3-tiny的改进目标检测方法
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN111259827B (zh) 一种面向城市河道监管的水面漂浮物自动检测方法及装置
CN108921877A (zh) 一种基于宽度学习的长期目标跟踪算法
CN112818969A (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN111062423B (zh) 基于自适应特征融合的点云图神经网络的点云分类方法
CN107945210A (zh) 基于深度学习和环境自适应的目标跟踪算法
CN113516108B (zh) 基于数据识别的工地抑尘数据匹配处理方法
CN114463643A (zh) 多模型决策级融合的滑坡识别方法及装置
CN112419204B (zh) 一种基于改进回声状态网络的行车智能控制方法
CN106887012A (zh) 一种基于循环矩阵的快速自适应多尺度目标跟踪方法
CN114596500A (zh) 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法
CN112489096A (zh) 基于图匹配模型的低配准精度下遥感图像变化检测方法
CN113837193A (zh) 一种基于改进U-Net网络的锌浮选泡沫图像分割算法
CN116935332A (zh) 一种基于动态视频的渔船目标检测与跟踪方法
CN102592290A (zh) 一种针对水下显微视频的运动目标区域检测方法
CN113280820B (zh) 基于神经网络的果园视觉导航路径提取方法与系统
CN108022257A (zh) 适用于硬件的高速卷积神经网络目标跟踪方法和装置
CN114155446A (zh) 一种基于语义特征向量的渔船类型识别方法
CN112419345A (zh) 基于回声状态网络的巡逻车高精度循迹方法
CN109492526A (zh) 基于ldcnn模型和nhe算法的交通标志识别方法
CN114708645A (zh) 物件辨识装置及物件辨识方法
CN117372854A (zh) 一种大坝深水结构隐患病害实时检测方法
CN110929809A (zh) 一种特征自增强的循环神经网络的污水关键水质指标软测量方法

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