CN115512221A - 基于gnn的同步航迹鲁棒性关联方法 - Google Patents

基于gnn的同步航迹鲁棒性关联方法 Download PDF

Info

Publication number
CN115512221A
CN115512221A CN202211161186.XA CN202211161186A CN115512221A CN 115512221 A CN115512221 A CN 115512221A CN 202211161186 A CN202211161186 A CN 202211161186A CN 115512221 A CN115512221 A CN 115512221A
Authority
CN
China
Prior art keywords
track
target
correlation
sensor
gnn
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
CN202211161186.XA
Other languages
English (en)
Other versions
CN115512221B (zh
Inventor
郭晨
孙顺
刘瑜
董凯
祁亚辉
徐从安
丁自然
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical 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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202211161186.XA priority Critical patent/CN115512221B/zh
Publication of CN115512221A publication Critical patent/CN115512221A/zh
Application granted granted Critical
Publication of CN115512221B publication Critical patent/CN115512221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • 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
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于GNN的同步航迹鲁棒性关联方法，包括以下步骤：步骤1.获取每个传感器探测到的目标点迹数据，构建航迹图；步骤2.对航迹图利用特征学习网络模型学习，得到目标点迹的嵌入表示向量；步骤3.将同一条目标航迹中点迹的嵌入表示向量按照时间顺序拼接在一起，得到每个传感器对每个目标航迹的嵌入表示向量；步骤4.利用关联判别网络模型判断航迹之间的关联结果。本发明充分考虑目标航迹的结构特点，并充分利用邻近目标航迹的拓扑结构特征，适用范围广、性能稳定性强。

Description

基于GNN的同步航迹鲁棒性关联方法
技术领域
本发明属于多传感器数据处理技术，针对复杂场景下的目标航迹关联问题，提供了一种基于GNN的同步航迹鲁棒性关联方法。
背景技术
目标航迹关联问题是形成统一综合战场态势的基础，也是多传感器数据处理领域的关键难点问题，其关联性能直接影响后续多传感器目标状态融合估计、目标身份融合识别等高层次数据处理效果。
多传感器目标航迹关联问题中面临诸多问题。首先需要完成时间空间对准，筛选出多传感器中需要进行关联的目标航迹集合；其次，目标的运动模式未知，且传感器探测到的目标量测中存在随机误差和系统偏差，导致同源目标航迹之间存在一定偏差；最后，考虑到多传感器根据站址位置关系，分为同地配置与异地配置情况，尤其是对于运动的传感器平台，进一步提高了航迹关联问题建模的复杂性。
当前主要有两种主流处理方法，第一类是基于统计距离的航迹关联方法，包括加权和修正法、序贯法、最近邻域法、K近邻域法等；第二类基于模糊和灰度的航迹关联方法，包括模糊双门限法、灰色法、基于拓扑的灰色/模糊关联方法等。上述方法使用统计距离或模糊相似度来度量目标航迹之间的相似性，而后利用假设检验、双门限、全局最优分配等方法判决两条航迹是否属于同一目标。但其中大多数方法不适用于存在系统偏差的关联场景，虽然部分基于拓扑结构的方法针对系统偏差场景提出了解决方案，但对量测噪声比较敏感，尤其在运动平台场景下的关联效果较差。
随着深度学习方法的快速发展，相关方法在特征嵌入表示、目标分类识别等领域上的效果显著。相关方法基于上述理论，提出了基于深度学习的航迹关联方法。一种是将航迹数据降采样为图像数据，将航迹关联问题转化为航迹图片的关联问题，但该方法降低了数据精度，对于密集目标场景的适应性差。另一种方法则是将航迹数据作为多属性的时间序列，使用循环神经网络或Transformer得到航迹数据的嵌入表示，而后使用度量学习等方法进行关联判别，但上述方法忽略了航迹之间的拓扑结构，不适用于存在系统偏差的场景。针对上述问题，需要提出一个适用范围广、性能稳定性强的航迹关联方法。
发明内容
针对上述技术问题，本发明提供了基于GNN的同步航迹鲁棒性关联方法。
本发明解决上述技术问题的技术方案如下：
一种基于GNN的同步航迹鲁棒性关联方法，包括以下步骤：
步骤1.获取每个传感器探测到的目标点迹数据，构建航迹图，所述传感器搭载在运动平台上；
步骤2.对航迹图利用特征学习网络模型学习，得到目标点迹的嵌入表示向量；
步骤3.将同一条目标航迹中点迹的嵌入表示向量拼接在一起，得到每个传感器对每个目标航迹的嵌入表示向量；
步骤4.利用关联判别网络模型判断航迹之间的关联结果。
进一步地，所述步骤1中构建航迹图的具体过程如下：
定义传感器n观测到的目标航迹图为无向图Gn＝(Vn,En)；；其中Vn为节点的集合，传感器n观测到的所有目标点迹的集合
Figure BDA0003858080660000021
Figure BDA0003858080660000022
表示第i条目标航迹的第k个点迹的状态向量，D为状态向量的维度；
Figure BDA0003858080660000023
为边的集合，边的集合的分为三部分，即
Figure BDA0003858080660000024
其中
Figure BDA0003858080660000025
为时域边，表示节点在时间域的关系，用于节点之间传播目标航迹信息；
Figure BDA0003858080660000031
为空域边，表示节点在空间域上的关系，用于接收邻近目标的点迹信息；
Figure BDA0003858080660000032
为节点的自环边，避免特征学习过程中的过平滑现象；
时域边为：
Figure BDA0003858080660000033
其中，
Figure BDA0003858080660000034
表示传感器n观测到的第i条目标航迹，W为同步航迹关联时的滑窗长度；
空域边为：
Figure BDA0003858080660000035
其中，
Figure BDA0003858080660000036
为不同目标点迹状态向量之间的距离度量函数，δ为点迹邻域范围的阈值；
自环边为：
Figure BDA0003858080660000037
进一步地，所述步骤2中学习网络模型采用GraphSAGE构建，具体过程如下：
特征学习网络输入为传感器的航迹图Gn，输入特征为
Figure BDA0003858080660000038
其中xv为归一化的目标点迹状态向量；令节点v的直接邻域节点的集合表示为
Figure BDA0003858080660000039
设第l步时的节点表征向量为
Figure BDA00038580806600000310
特征学习网络通过聚合第l层邻近节点的嵌入表示，得到l+1层节点的嵌入表示为：
Figure BDA00038580806600000311
式中，
Figure BDA00038580806600000312
为权重矩阵，concat(·)为向量拼接操作，，MEAN(·)表示求均值操作，ReLU(·)为激活函数。
进一步地，所述步骤3中，将同一条目标航迹中点迹的嵌入表示向量按照时间顺序拼接在一起，得到每个传感器对每个目标航迹的嵌入表示为：
Figure BDA0003858080660000041
进一步地，所述步骤4中关联判别网络模型具体如下：
关联判别网络为两层全连接层，输入为由航迹图计算得到的目标航迹的嵌入表示向量，输出航迹关联结果。
进一步地，第一层全连接层包含2WD个神经元，第二层全连接层设计为包含WD个神经元。
进一步地，使用交叉熵作为损失函数联合训练特征学习网络和关联判别网络。
与现有技术相比，本发明具有如下技术效果：
本发明考虑到多传感器异地配置、传感器平台连续运动、量测存在随机误差和系统偏差的复杂场景，将每个传感器的目标航迹集合，构建成目标航迹图，利用图的表征学习方法得到目标点迹的嵌入表示，将同航迹的点迹表征拼接得到目标航迹的嵌入表示；使用两层全连接层作为关联判别网络，输出航迹关联结果，并使用交叉熵作为损失函数进行训练，实现对同步航迹的鲁棒关联。
附图说明
图1为本发明的基于GNN的同步航迹鲁棒性关联方法流程图；
图2为本发明的基于GNN的同步航迹鲁棒性关联方法框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的目的在于针对多传感器目标航迹关联问题，且充分考虑目标航迹的结构特点，并要充分利用邻近目标航迹的拓扑结构特征，由此提出了一种基于GNN的同步航迹鲁棒性关联方法。
参照图1-图2，一种基于GNN的同步航迹鲁棒性关联方法，包括以下步骤：步骤1.获取每个传感器探测到的目标点迹数据，构建航迹图；步骤2.对航迹图利用特征学习网络模型学习，得到目标点迹的嵌入表示向量；步骤3.将同一条目标航迹中点迹的嵌入表示向量拼接在一起，得到每个传感器对每个目标航迹的嵌入表示向量；步骤4.利用关联判别网络模型判断航迹之间的关联结果。
下面对上述各个步骤进行详细展开：
假设目标航迹关联场景中有若干个运动平台，运动平台上搭载有传感器，第n个传感器在k时刻的状态向量为
Figure BDA0003858080660000051
其中为D平台状态向量的维度，状态向量中可能包含有传感器位置、速度、姿态与身份等信息。为保证航迹关联的效率，兼顾关联的速度和实时性，一般选择在一定长度的滑窗内进行关联，设滑窗长度为W，即k∈{1,2,…,W}。假设传感器在滑窗内观测到的目标航迹集合为
Figure BDA0003858080660000052
其中
Figure BDA0003858080660000053
表示第n个传感器观测到的第i条目标航迹，
Figure BDA0003858080660000054
表示目标点迹的状态向量。目标航迹关联问题则可以描述为判断不同传感器的目标航迹是否为同源航迹。
步骤1.获取每个传感器探测到的目标点迹数据，构建航迹图；所述步骤1具体包括：
每个传感器n探测到的目标点迹数据构建目标航迹图，构建航迹图是为了标注航迹关联。定义目标航迹图为无向图Gn＝(Vn,En)，其中Vn为节点的集合，
Figure BDA0003858080660000055
为边的集合，节点表示目标点迹，航迹图中的边表示两个节点之间的相关性，即表征目标航迹与邻近的目标航迹之间的拓扑结构上的关系。
传感器n观测到的所有目标点迹的集合
Figure BDA0003858080660000056
Figure BDA0003858080660000057
表示第i条目标航迹的第k个点迹的状态向量，D为状态向量的维度。
Figure BDA0003858080660000058
为边的集合，边的集合的分为三部分，即
Figure BDA0003858080660000059
其中
Figure BDA00038580806600000510
为时域边，表示节点在时间域的关系，用于节点之间传播目标航迹信息；
Figure BDA00038580806600000511
为空域边，表示节点在空间域上的关系，用于接收邻近目标的点迹信息；
Figure BDA00038580806600000512
为节点的自环边，避免特征学习过程中的过平滑现象；
时域边为：
Figure BDA0003858080660000061
其中，
Figure BDA0003858080660000062
表示传感器n观测到的第i条目标航迹，W为同步航迹关联时的滑窗长度；
空域边为：
Figure BDA0003858080660000063
其中，
Figure BDA0003858080660000064
为不同目标点迹状态向量之间的距离度量函数，可以使用欧式距离或者马氏距离，δ为点迹邻域范围的阈值；
自环边为：
Figure BDA0003858080660000065
将获得到的航迹图输入到基于图神经网络的航迹关联模型，所述基于图神经网络的航迹关联模型主要包含两个部分，一个是节点的特征学习网络，一个是关联判别网络。下面对此部分进行详细的介绍。
步骤2.对航迹图利用特征学习网络模型学习，得到目标点迹的嵌入表示向量。
学习网络模型采用GraphSAGE构建，GraphSAGE包含采样和聚合(Sample andaggregate)，首先使用节点之间连接信息，对邻居进行采样，然后通过多层聚合函数不断地将相邻节点的信息融合在一起，用融合后的信息预测节点标签。GraphSAGE使用多层聚合函数，每一层聚合函数会将节点及其邻居的信息聚合在一起得到下一层的特征向量，GraphSAGE采用了节点的邻域信息，不依赖于全局的图结构。
学习网络模型具体如下：
特征学习网络输入为传感器的航迹图Gn，输入特征为
Figure BDA0003858080660000066
其中xv为归一化的目标点迹状态向量；令节点v的直接邻域节点的集合表示为
Figure BDA0003858080660000071
设第l步时的节点表征向量为
Figure BDA0003858080660000072
特征学习网络通过聚合第l层邻近节点的嵌入表示，得到l+1层节点的嵌入表示为：
Figure BDA0003858080660000073
式中，
Figure BDA0003858080660000074
为权重矩阵，
Figure BDA0003858080660000075
为通过训练学习得到的权重矩阵，对于不同的传感器及其航迹图，权重是共享的；concat(·)为向量拼接操作，MEAN(·)表示求均值操作，ReLU(·)为激活函数。
使用交叉熵作为损失函数训练特征学习网络。
步骤3.将同一条目标航迹中点迹的嵌入向量按照时间顺序拼接在一起，就可以得到目标航迹的嵌入表示为：
Figure BDA0003858080660000076
步骤4.利用关联判别网络模型判断航迹之间的关联结果。
关联判别网络模型为两层全连接层，输入为航迹图分别计算得到的目标航迹表征向量，输出航迹关联结果。
具体的，在两个传感器的情况下，输入为由两个航迹图分别计算得到的目标航迹表征向量
Figure BDA0003858080660000077
和
Figure BDA0003858080660000078
输出航迹关联概率。可以将目标航迹关联问题转化为二分类问题：将同源航迹的航迹表征拼接在一起作为正样本，标签为True；将异源航迹的航迹表征拼接在一起作为负样本，标签为False。使用交叉熵作为损失函数训练关联判别网络，得到关联判别模型，关联判别网络第一层全连接层包含2WD个神经元，第二层全连接层设计为包含WD个神经元。
值得说明的是使用交叉熵作为损失函数联合训练特征学习网络模型和关联判别网络模型。
本发明将每个传感器的目标航迹集合，构建成目标航迹图，利用图的表征学习方法得到目标点迹的嵌入表示，将同航迹的点迹表征拼接得到目标航迹的嵌入表示；使用两层全连接层作为关联判别网络，输出航迹关联结果，并使用交叉熵作为损失函数，实现对同步航迹的鲁棒关联。本发明充分考虑目标航迹的结构特点，并充分利用邻近目标航迹的拓扑结构特征，适用范围广、性能稳定性强。
以上所述仅为本发明的较佳实施例，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GNN的同步航迹鲁棒性关联方法，其特征在于，包括以下步骤：
步骤1.获取每个传感器探测到的目标点迹数据，构建航迹图；
步骤2.对航迹图利用特征学习网络模型学习，得到目标点迹的嵌入表示向量；
步骤3.将同一条目标航迹中点迹的嵌入表示向量拼接在一起，得到每个传感器对每个目标航迹的嵌入表示向量；
步骤4.利用关联判别网络模型判断航迹之间的关联结果。
2.根据权利要求1所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，所述步骤1中构建航迹图的具体过程如下：
定义传感器n观测到的目标航迹图为无向图Gn＝(Vn,En)；；其中Vn为节点的集合，传感器n观测到的所有目标点迹的集合
Figure FDA0003858080650000011
Figure FDA0003858080650000012
表示第i条目标航迹的第k个点迹的状态向量，D为状态向量的维度；
Figure FDA0003858080650000013
为边的集合，边的集合的分为三部分，即
Figure FDA0003858080650000014
其中
Figure FDA0003858080650000015
为时域边，表示节点在时间域的关系，用于节点之间传播目标航迹信息；
Figure FDA0003858080650000016
为空域边，表示节点在空间域上的关系，用于接收邻近目标的点迹信息；
Figure FDA0003858080650000017
为节点的自环边，避免特征学习过程中的过平滑现象；
时域边为：
Figure FDA0003858080650000018
其中，
Figure FDA0003858080650000019
表示传感器n观测到的第i条目标航迹，W为同步航迹关联时的滑窗长度；
空域边为：
Figure FDA00038580806500000110
其中，
Figure FDA00038580806500000111
为不同目标点迹状态向量之间的距离度量函数，δ为设定的点迹邻域范围的阈值；
自环边为：
Figure FDA0003858080650000021
3.根据权利要求1所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，所述步骤2中学习网络模型采用GraphSAGE构建，具体为：
特征学习网络输入为传感器的航迹图Gn，输入特征为
Figure FDA0003858080650000022
其中xv为归一化的目标点迹状态向量；令节点v的直接邻域节点的集合表示为
Figure FDA0003858080650000023
设第l步时的节点表征向量为
Figure FDA0003858080650000024
特征学习网络通过聚合第l层邻近节点的嵌入表示，得到l+1层节点的嵌入表示为：
Figure FDA0003858080650000025
式中，
Figure FDA0003858080650000026
为权重矩阵，concat(·)为向量拼接操作，MEAN(·)表示求均值操作，ReLU(·)为激活函数。
4.据权利要求3所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，所述步骤3中，将同一条目标航迹中点迹的嵌入表示向量按照时间顺序拼接在一起，得到每个传感器对每个目标航迹的嵌入表示为：
Figure FDA0003858080650000027
5.据权利要求4所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，所述步骤4中关联判别网络模型具体如下：
关联判别网络为两层全连接层，输入为由航迹图计算得到的目标航迹的嵌入表示向量，输出航迹关联结果。
6.根据权利要求5所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，关联判别网络模型中第一层全连接层包含2WD个神经元，第二层全连接层设计为包含WD个神经元。
7.根据权利要求5所述的一种基于GNN的同步航迹鲁棒性关联方法，其特征在于，使用交叉熵作为损失函数联合训练特征学习网络和关联判别网络。
CN202211161186.XA 2022-09-22 2022-09-22 基于gnn的同步航迹鲁棒性关联方法 Active CN115512221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161186.XA CN115512221B (zh) 2022-09-22 2022-09-22 基于gnn的同步航迹鲁棒性关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161186.XA CN115512221B (zh) 2022-09-22 2022-09-22 基于gnn的同步航迹鲁棒性关联方法

Publications (2)

Publication Number Publication Date
CN115512221A true CN115512221A (zh) 2022-12-23
CN115512221B CN115512221B (zh) 2024-02-27

Family

ID=84507124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161186.XA Active CN115512221B (zh) 2022-09-22 2022-09-22 基于gnn的同步航迹鲁棒性关联方法

Country Status (1)

Country Link
CN (1) CN115512221B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767639A (zh) * 2020-05-25 2020-10-13 西北工业大学 一种多传感器航迹关联方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN112465199A (zh) * 2020-11-18 2021-03-09 南京航空航天大学 空域态势评估系统
CN114373337A (zh) * 2022-01-17 2022-04-19 北京航空航天大学 一种航迹不确定性条件下的飞行冲突自主解脱方法
CN114660561A (zh) * 2022-03-15 2022-06-24 中国科学院自动化研究所 Ais与雷达的航迹关联方法及装置
CN114819068A (zh) * 2022-04-11 2022-07-29 中国电子科技集团公司第十研究所 一种混合型目标航迹预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767639A (zh) * 2020-05-25 2020-10-13 西北工业大学 一种多传感器航迹关联方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN112465199A (zh) * 2020-11-18 2021-03-09 南京航空航天大学 空域态势评估系统
CN114373337A (zh) * 2022-01-17 2022-04-19 北京航空航天大学 一种航迹不确定性条件下的飞行冲突自主解脱方法
CN114660561A (zh) * 2022-03-15 2022-06-24 中国科学院自动化研究所 Ais与雷达的航迹关联方法及装置
CN114819068A (zh) * 2022-04-11 2022-07-29 中国电子科技集团公司第十研究所 一种混合型目标航迹预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WILLIAM L. HAMILTON等: ""Inductive Representation Learning on Large Graphs"", 《ARXIV》, pages 1 - 19 *
金仲乾，韩春雷，鹿瑶: ""基于多假设的多平台多目标数据关联方法"", 《现代导航》, no. 3, pages 213 - 218 *

Also Published As

Publication number Publication date
CN115512221B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Meng et al. An overview on trajectory outlier detection
JP6709283B2 (ja) 低解像度リモートセンシング画像を用いた移動車両の検出及び分析
CN110378308B (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
Tao et al. Scene context-driven vehicle detection in high-resolution aerial images
CN112434643A (zh) 低慢小目标的分类识别方法
CN106570490B (zh) 一种基于快速聚类的行人实时跟踪方法
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
Cao et al. Correlation-based tracking of multiple targets with hierarchical layered structure
Tsintotas et al. Tracking‐DOSeqSLAM: A dynamic sequence‐based visual place recognition paradigm
CN103810266B (zh) 语义网络目标识别判证方法
CN114048546B (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN111739053A (zh) 一种复杂场景下的在线多行人检测跟踪方法
CN110751077A (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
CN113129336A (zh) 一种端到端多车辆跟踪方法、系统及计算机可读介质
CN108629295A (zh) 转角地标识别模型训练方法、转角地标识别方法及装置
CN116311063A (zh) 监控视频下基于人脸识别的人员细粒度跟踪方法及系统
CN113065409A (zh) 一种基于摄像分头布差异对齐约束的无监督行人重识别方法
CN112100435A (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN115205891A (zh) 人员行为识别模型训练方法、行为识别方法及装置
Antsfeld et al. Magnetic field sensing for pedestrian and robot indoor positioning
CN110555125A (zh) 一种基于局部特征的车辆检索方法
CN112801179A (zh) 面向跨领域复杂视觉任务的孪生分类器确定性最大化方法
CN117630860A (zh) 一种毫米波雷达的手势识别方法
CN117641240A (zh) 一种利用神经网络进行室内定位的方法和装置
CN115187884A (zh) 一种高空抛物识别方法、装置、电子设备及存储介质

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