CN115393660A - 基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 - Google Patents
基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 Download PDFInfo
- Publication number
- CN115393660A CN115393660A CN202211330612.8A CN202211330612A CN115393660A CN 115393660 A CN115393660 A CN 115393660A CN 202211330612 A CN202211330612 A CN 202211330612A CN 115393660 A CN115393660 A CN 115393660A
- Authority
- CN
- China
- Prior art keywords
- fire
- network
- parking lot
- collaborative
- segmentation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013140 knowledge distillation Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Fire-Extinguishing By Fire Departments, And Fire-Extinguishing Equipment And Control Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于火灾检测技术领域,涉及一种基于弱监督协同稀疏关系排名机制的停车场火灾检测方法,先构建火灾检测数据集,通过基于双流分类网络类激活映射机制生成停车场火灾位置粗定位,再引入基于稀疏关系排名的协同学习机制,将火灾区域建模为一致性信息,通过阈值化分割操作将前景区域以加权的方式增强火灾区域,并结合CRF分割算法可以将火灾区域精细化,然后基于精细化的结果训练火灾分割网络,分割网络结果作用到火灾分类网络,通过知识蒸馏的方式将二者结果迭代提升,同时基于分割结果的面积计算火灾的等级,不仅可以用在停车场火灾检测领域,对于其他数据集匮乏需要采用弱监督方式提升精度的领域同样适用。
Description
技术领域
本发明属于火灾检测技术领域,尤其涉及一种基于弱监督协同稀疏关系排名机制的停车场火灾检测方法。
背景技术
随着经济的发展,催生了家庭轿车快速发展,而停车场的建设显得至关重要,尤其是停车场的安全问题,因为,大型停车场车辆数目庞大,如果因为火灾导致车辆大面积损毁,将会导致巨额的财产损失,甚至危及生命。
目前对于停车场火灾的预警主要采用传感器采集数据的方式,但是传感器非常容易收到周围环境的影响而出现误报,甚至在设置报警器的时候,因为设置条件苛刻,反而导致警报预测失效,这显然不能满足对于停车场这种安全预警需求高的场所,因此,基于计算机视觉算法的火灾预警系统不断被提出,而且由于其不需要布置其他器件,仅仅需要摄像头即可实现火灾监控,取得了非常好的预测效果。
现在虽然有火灾预测方面的工作试图解决火灾预测问题,但是这些工作的模型往往基于数据驱动,这种方式虽然能带来高精度,但是网络的泛化性能低,在新场景出现的时候,因为没有在相应的数据上拟合,精度会出现大幅度下降,而对于停车场火灾预测来说,精度下降将会带来无法挽回的损失。因此,亟需一种高精度的火灾预测方法。
发明内容
本发明的目的在于克服现有技术存在的缺点,设计提供一种基于弱监督协同稀疏关系排名机制的停车场火灾检测方法。用来解决目前火灾检测依靠物理传感器元器件检测中存在的不可靠问题,以及基于视觉火焰检测方法需要大量数据训练,且模型泛化性不强,且只能预测火焰位置,无法对火焰的形状做出预测的问题。
为实现上述目的,本发明先构建火灾检测数据集,通过基于双流分类网络类激活映射机制生成停车场火灾位置粗定位,再引入基于稀疏关系排名的协同学习机制,将火灾区域建模为一致性信息,通过阈值化分割操作将前景区域以加权的方式增强火灾区域,并结合CRF分割算法可以将火灾区域精细化,然后基于精细化的结果训练火灾分割网络,分割网络结果作用到火灾分类网络,通过知识蒸馏的方式将二者结果迭代提升,同时基于分割结果的面积计算火灾的等级,具体包括如下步骤:
(1)构建火灾检测数据集:
收集停车场火灾时图片构建火灾检测数据集,将图片分为有火灾和无火灾两类,同时将火灾检测数据集划分为训练集,验证集和测试集三个子数据集;
(2)火灾位置粗定位:
基于CAM机制,将图片类别信息转化为定位信息的类别激活图,通过这种方式将停车场中火灾位置粗定位;
(3)基于双流协同学习机制的关系建模:
根据步骤(2)得到的火灾位置粗定位,基于双流分类网络,采用双流协同学习机制建模双流网络之间的互补关系,进一步精细化火灾位置粗定位;
(4) 双流协同学习机制稀疏关系排名:
根据步骤(3)精细化后的停车场火灾粗定位信息,采用关系矩阵稀疏化的方式,即在关系矩阵的基础上引入关系排名,然后基于关系排名,挑选特征值最高的K个为一致性程度更高的信息,将火灾区域建模为一致性信息;
(5)基于特征学习阈值化的火灾区域分割:
将步骤(4)输出的结果输入阈值化分割模块,将火灾的定位信息转化为火灾的区域信息,以加权的方式增强火灾区域,得到停车场火灾的精确分割区域;
(6)基于知识蒸馏网络的火灾预测网络迭代精细化:
基于步骤(5)得到的精确分割区域训练端到端的停车场火灾分割网络,将停车场火灾分割网络的结果作用到火灾分类网络,通过知识蒸馏的方式将二者结果迭代提升;
(7)基于火灾分割面积的灾情程度预测:
根据步骤(6)输出的火灾分割信息获取火灾的面积,将火灾的面积划分为不同的等级,火灾面积的大小和火灾的等级对应,由此预测火灾灾情程度;
(8)停车场火灾预测网络训练:
将火灾检测数据集中的训练集图片作为火灾分类网络的输入并预测是否发生火灾,再反向传播误差,对分类网络进行训练;同时将精细化的分割结果作为伪标签训练分割网络,并反向传播误差,对分割网络进行训练,然后将分割网络的输出作为分类网络的权重信息,训练分类网络,二者同时训练并同时提升,得到训练好的停车场火灾预测网络;
(9)停车场火灾预测网络测试:
将火灾检测数据集中的测试集图片输入停车场火灾预测网络,输出停车场火灾检测结果,基于检测结果计算火灾面积,确定火灾等级,并根据火灾等级指定救火方案。
CAM机制定义如下:
作为本发明的进一步技术方案,步骤(3)的建模结果为:
作为本发明的进一步技术方案,步骤(4)所述关系矩阵为:
作为本发明的进一步技术方案,步骤(5)得到的停车场火灾精确分割区域为:
与现有技术相比,本发明基于弱监督火灾分类和火焰分割网络,通过类别激活映射定位火灾区域,并通过双流网络输出特征协同稀疏学习机制互相提升分类精度,而协同学习中引入双流稀疏关系排名,以增强数据间一致性,同时,基于分割结果权重提升分类精度,二者以知识蒸馏的方式互相促进,同时基于分割结果面积预测火灾等级,不仅可以用在停车场火灾检测领域,对于其他数据集匮乏需要采用弱监督方式提升精度的领域同样适用,尤其是需要提升分类分割精度的领域。
附图说明
图1为本发明所述协同稀疏关系排名机制网络结构图。
图2为本发明所述停车场火灾检测网络结构图。
图3为本发明实现停车场火灾检测的流程框图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
实施例:
本实施例采用如图1、2所示的网络结构和图3所示的流程实现停车场火灾检测,具体实施如下步骤:
(1)构建火灾检测数据集
收集停车场火灾时图片,因目前数据集匮乏,本实施例基于火灾数据集,采用贴图的方式贴到停车场数据集中图片上,收集好停车场火灾图片后,将图片分为两类,即有火灾(设置为类别1)和无火灾(设置为类别0),同时,将火灾图片数据集划分为三个子数据集,训练集,验证集和测试集;
(2)火灾位置粗定位
利用是否发生火灾的类别标签定位火灾的位置,采用类别激活映射(Class
Activation Mapping)将类别信息转化为定位信息的类别激活图,通过这种方式将停车场
中火灾位置L(L为火灾区域)定位出来,首先,将两张图片I1,I2输入到深度学习网络,将网络
侧输出特征,通过下采样和上采样操作()特征聚合:
CAM机制定义如下:
(3)基于双流协同学习机制的关系建模
通过类别激活映射虽然能够得到火灾的大体位置信息,都是这种位置信息非常粗糙,甚至在复杂情况的停车场出现定位失败,尤其是在出现车辆阻挡的时候完全失效,因此,采用双流网络充分发挥网络内部优势和网络间不同流间的互补优势,双流协同学习机制建模双流网络之间的互补关系,充分挖掘数据集中火灾区域之间的潜在着火机制,从而有助于更加精确的定位火灾区域 :
(4) 双流协同学习机制稀疏关系排名
步骤(3)中双流网络之间的关系能充分挖掘,但是,双流网络中一致性区域即火灾区域可能存在空间错位,导致火灾区域一致性降低,从而关系矩阵存在噪声,基于此,本实施例采用了关系矩阵稀疏化的措施,即在关系矩阵的基础上,引入关系排名,然后基于关系排名,挑选特征值最高的K个为一致性程度更高的信息,既能够增强网络泛化性能,又能够避免噪声信息的同时增强一致性信息,而稀疏化能够极大的避免网络过拟合:
(5)基于特征学习阈值化的火灾区域分割
步骤(4)能很好的定位火灾分割区域,但是,其生成的火灾定位区域为最具判别性的区域,无法直接用来分割,火灾分割的区域应尽可能的覆盖到所有的火灾区域,在步骤(4)输出的结果上,设计阈值化分割模块,将火灾的定位信息转化为火灾的区域信息,从而挖掘潜在的火灾区域:
(6)基于知识蒸馏网络的火灾预测网络迭代精细化
通过分类网络(教师网络)配合CRF能够得到停车场火灾的精确分割区域,基于上述精确分割区域,训练一个端到端的停车场火灾分割网络(学生网络),学生网络的设计为分割模式,而教师网络的设计为分类模式,两个网络具有相同的目的,即将停车场中火灾区域精细分割出来,其学习的过程类似于知识蒸馏的方式,即分类网络和分割网络相互增益:
(7)基于火灾分割面积的灾情程度预测
基于步骤(6)得到的火灾分割信息可以得到火灾的面积Area,而火灾的面积决定了火灾的程度Score,知道火灾的程度能够针对火灾程度制定救援方案,因此,将火灾的面积划分为不同的等级,而面积的大小和火灾的等级对应:Score=Rank(Area),其中,Rank代表火灾面积排名,其中一共划分为10个等级;
(8)停车场火灾预测网络训练:
将训练集中图片作为火灾分类网络的输入,并预测是否发生火灾,并反向传播误差,起到训练网络的目的;将精细化的结果作为伪标签,训练分割网络,并反向传播误差,起到训练分割网络的目的;同时,分割网络的结果又可以作为权重信息加权到分类网络层,起到收敛分类网络问题域的同时,提升分类网络的精度;
(9)停车场火灾预测网络测试
将测试集输入步骤(8训练好的停车场火灾预测网络中,并输出停车场火灾检测结果,并根据火灾检测结果制定救火方案。
本文中未详细公开的网络结构、算法均为本领域通用技术。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的,因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于弱监督协同稀疏关系排名机制的停车场火灾检测方法,其特征在于,具体包括如下步骤:
(1)构建火灾检测数据集:
收集停车场火灾时图片构建火灾检测数据集,将图片分为有火灾和无火灾两类,同时将火灾检测数据集划分为训练集,验证集和测试集三个子数据集;
(2)火灾位置粗定位:
基于CAM机制,将图片类别信息转化为定位信息的类别激活图,通过这种方式将停车场中火灾位置粗定位;
(3)基于双流协同学习机制的关系建模:
根据步骤(2)得到的火灾位置粗定位,基于双流分类网络,采用双流协同学习机制建模双流网络之间的互补关系,进一步精细化火灾位置粗定位;
(4) 双流协同学习机制稀疏关系排名:
根据步骤(3)精细化后的停车场火灾粗定位信息,采用关系矩阵稀疏化的方式,即在关系矩阵的基础上引入关系排名,然后基于关系排名,挑选特征值最高的K个为一致性程度更高的信息,将火灾区域建模为一致性信息;
(5)基于特征学习阈值化的火灾区域分割:
将步骤(4)输出的结果输入阈值化分割模块,将火灾的定位信息转化为火灾的区域信息,以加权的方式增强火灾区域,得到停车场火灾的精确分割区域;
(6)基于知识蒸馏网络的火灾预测网络迭代精细化:
基于步骤(5)得到的精确分割区域训练端到端的停车场火灾分割网络,将停车场火灾分割网络的结果作用到火灾分类网络,通过知识蒸馏的方式将二者结果迭代提升;
(7)基于火灾分割面积的灾情程度预测:
根据步骤(6)输出的火灾分割信息获取火灾的面积,将火灾的面积划分为不同的等级,火灾面积的大小和火灾的等级对应,由此预测火灾灾情程度;
(8)停车场火灾预测网络训练:
将火灾检测数据集中的训练集图片作为火灾分类网络的输入并预测是否发生火灾,再反向传播误差,对分类网络进行训练;同时将精细化的分割结果作为伪标签训练分割网络,并反向传播误差,对分割网络进行训练,然后将分割网络的输出作为分类网络的权重信息,训练分类网络,二者同时训练并同时提升,得到训练好的停车场火灾预测网络;
(9)停车场火灾预测网络测试:
将火灾检测数据集中的测试集图片输入停车场火灾预测网络,输出停车场火灾检测结果,基于检测结果计算火灾面积,确定火灾等级,并根据火灾等级指定救火方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330612.8A CN115393660B (zh) | 2022-10-28 | 2022-10-28 | 基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330612.8A CN115393660B (zh) | 2022-10-28 | 2022-10-28 | 基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393660A true CN115393660A (zh) | 2022-11-25 |
CN115393660B CN115393660B (zh) | 2023-02-24 |
Family
ID=84115070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330612.8A Active CN115393660B (zh) | 2022-10-28 | 2022-10-28 | 基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726948A (zh) * | 2024-02-07 | 2024-03-19 | 成都白泽智汇科技有限公司 | 一种基于神经网络模型的双目图像处理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9996890B1 (en) * | 2017-07-14 | 2018-06-12 | Synapse Technology Corporation | Detection of items |
CN110070183A (zh) * | 2019-03-11 | 2019-07-30 | 中国科学院信息工程研究所 | 一种弱标注数据的神经网络模型训练方法及装置 |
CN111079594A (zh) * | 2019-12-04 | 2020-04-28 | 成都考拉悠然科技有限公司 | 一种基于双流协同网络的视频动作分类识别方法 |
CN111462137A (zh) * | 2020-04-02 | 2020-07-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于知识蒸馏和语义融合的点云场景分割方法 |
CN111626245A (zh) * | 2020-06-01 | 2020-09-04 | 安徽大学 | 一种基于视频关键帧的人体行为识别方法 |
CN112446331A (zh) * | 2020-11-30 | 2021-03-05 | 山东大学 | 基于知识蒸馏的时空双流分段网络行为识别方法及系统 |
CN114596546A (zh) * | 2022-01-12 | 2022-06-07 | 盛视科技股份有限公司 | 车辆重识别方法、装置及计算机、可读存储介质 |
CN114708550A (zh) * | 2022-03-29 | 2022-07-05 | 中国地质大学(武汉) | 融入先验知识的无监督学习森林火灾变化检测方法及装置 |
CN114936718A (zh) * | 2022-06-23 | 2022-08-23 | 松立控股集团股份有限公司 | 一种停车场火灾预测方法 |
-
2022
- 2022-10-28 CN CN202211330612.8A patent/CN115393660B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9996890B1 (en) * | 2017-07-14 | 2018-06-12 | Synapse Technology Corporation | Detection of items |
CN110070183A (zh) * | 2019-03-11 | 2019-07-30 | 中国科学院信息工程研究所 | 一种弱标注数据的神经网络模型训练方法及装置 |
CN111079594A (zh) * | 2019-12-04 | 2020-04-28 | 成都考拉悠然科技有限公司 | 一种基于双流协同网络的视频动作分类识别方法 |
CN111462137A (zh) * | 2020-04-02 | 2020-07-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于知识蒸馏和语义融合的点云场景分割方法 |
CN111626245A (zh) * | 2020-06-01 | 2020-09-04 | 安徽大学 | 一种基于视频关键帧的人体行为识别方法 |
CN112446331A (zh) * | 2020-11-30 | 2021-03-05 | 山东大学 | 基于知识蒸馏的时空双流分段网络行为识别方法及系统 |
CN114596546A (zh) * | 2022-01-12 | 2022-06-07 | 盛视科技股份有限公司 | 车辆重识别方法、装置及计算机、可读存储介质 |
CN114708550A (zh) * | 2022-03-29 | 2022-07-05 | 中国地质大学(武汉) | 融入先验知识的无监督学习森林火灾变化检测方法及装置 |
CN114936718A (zh) * | 2022-06-23 | 2022-08-23 | 松立控股集团股份有限公司 | 一种停车场火灾预测方法 |
Non-Patent Citations (3)
Title |
---|
YI ZHU ET AL.: ""Hidden Two-Stream Convolutional Networks for Action Recognition"", 《SPRINGER》 * |
傅天驹 等: ""复杂背景下基于深度卷积神经网络的森林火灾识别"", 《计算机与现代化》 * |
杨先斌 等: ""基于双流网络与多示例学习的异常事件检测"", 《激光与光电子学进展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726948A (zh) * | 2024-02-07 | 2024-03-19 | 成都白泽智汇科技有限公司 | 一种基于神经网络模型的双目图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115393660B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN111368881A (zh) | 基于多维数据融合分析的低频gps轨迹路网匹配方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN104749334A (zh) | 基于模式识别的生物式异常水质评价系统设计方法 | |
CN115393660B (zh) | 基于弱监督协同稀疏关系排名机制的停车场火灾检测方法 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN114120280A (zh) | 一种基于小目标特征增强的交通标志检测方法 | |
Lei et al. | Multitarget detection and tracking method in remote sensing satellite video | |
CN114863122A (zh) | 一种基于人工智能的智能化高精度路面病害识别方法 | |
CN111724597B (zh) | 基于驾驶行为评估驾驶员认知表现的研究方法 | |
CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN114936718A (zh) | 一种停车场火灾预测方法 | |
CN114419036B (zh) | 基于边界信息融合的表面缺陷区域分割方法及装置 | |
CN115797884A (zh) | 一种基于类人视觉注意力加权的车辆重识别方法 | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和系统 | |
CN114419465B (zh) | 遥感图像变化检测方法、装置、设备及存储介质 | |
Hu et al. | An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network | |
CN115905434A (zh) | 一种基于学习插值预测的道路网轨迹补全方法 | |
CN116824537A (zh) | 一种自动驾驶多任务视觉感知方法 | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
CN115359442A (zh) | 基于部件表征学习和个性化属性结构的车辆重识别方法 | |
CN111091061B (zh) | 一种基于视频分析的车辆刮蹭检测方法 |
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 |