CN115937792A - 基于区块链的智慧社区运营管理系统 - Google Patents
基于区块链的智慧社区运营管理系统 Download PDFInfo
- Publication number
- CN115937792A CN115937792A CN202310036459.6A CN202310036459A CN115937792A CN 115937792 A CN115937792 A CN 115937792A CN 202310036459 A CN202310036459 A CN 202310036459A CN 115937792 A CN115937792 A CN 115937792A
- Authority
- CN
- China
- Prior art keywords
- feature map
- monitoring
- parking space
- feature
- module
- 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
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 124
- 238000010586 diagram Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 72
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请涉及智能管理领域，其具体地公开了一种基于区块链的智慧社区运营管理系统，其通过采用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。
Description
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种基于区块链的智慧社区运营管理系统。
背景技术
智慧社区是社区管理的一种新理念，是新形势下社会管理创新的一种新模式，能够充分借助移动互联网、物联网、大数据、云服务等电子信息技术，深度嵌入到智能楼宇智能家居、安防监控、智能社区医院、社区管理服务、电子商业等诸多领域。
近年来，提出了各种智慧社区管理系统或平台，这些平台提高了社区服务和治理水平，增强了社区便利、利民服务能力、为个人、企业和政府都提供了诸多便利，也为智慧城市的实现提供了基础。
但是，在社区运营管理中，社区停车问题没有得到足够的关注和提供相应的解决方案。大部分社区中都建有停车场，居民通过缴纳停车费来获得停车的权利。但随着私家车的普及，社区停车也出现了一些问题。典型的例子便是某些车主抢占他人车位，造成了“停车费该由谁缴纳”的困境。
因此，期待一种优化的智慧社区运营管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链的智慧社区运营管理系统，其通过采用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。
根据本申请的一个方面，提供了一种基于区块链的智慧社区运营管理系统，其包括：区块链模块，用于从区块链网络得到停有授权车辆的车位参考图像；社区监控模块，用于获取由摄像头采集的车位监控图像；图像编码模块，用于将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；差分模块，用于计算所述参考特征图和所述监控特征图之间的差分特征图；连续性优化模块，用于对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及管理结果生成模块，用于将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
在上述基于区块链的智慧社区运营管理系统中，所述图像编码模块，包括：特征提取单元，用于将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图；以及，注意力单元，用于将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图。
在上述基于区块链的智慧社区运营管理系统中，所述特征提取单元，进一步用于：使用所述卷积神经网络模型的深度卷积编码部分的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的深度卷积编码部分的最后一层的输出为所述初始参考特征图和所述初始监控特征图，所述卷积神经网络模型的深度卷积编码部分的输入为所述车位参考图像和所述车位监控图像。
在上述基于区块链的智慧社区运营管理系统中，所述注意力单元，包括：空间注意力子单元，用于将所述初始参考特征图和所述初始监控特征图通过所述CBAM注意力模块的通道注意力层以得到通道注意力参考特征图和通道注意力监控特征图；以及，通道注意力子单元，用于所述通道注意力参考特征图和所述通道注意力监控特征图分别输入所述CBAM注意力模块的空间注意力层以得到所述参考特征图和所述监控特征图。
在上述基于区块链的智慧社区运营管理系统中，所述差分模块，进一步用于：以如下公式计算所述参考特征图和所述监控特征图之间的差分特征图；
其中，所述公式为：
其中，F1表示所述参考特征图，F2表示所述监控特征图，Fc表示所述差分特征图，
表示按位置差分。
在上述基于区块链的智慧社区运营管理系统中，所述连续性优化模块，进一步用于：以如下公式对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；其中，所述公式为：
其中fi是所述差分特征图的预定特征值，fj是所述差分特征图的所述预定特征值以外的其它特征值，
是所述差分特征图的所有特征值的均值，且N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，exp(·)表示特征值的指数运算。
在上述基于区块链的智慧社区运营管理系统中，所述管理结果生成模块，包括：展开单元，用于将所述优化差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种基于区块链的智慧社区运营管理方法，其包括：从区块链网络得到停有授权车辆的车位参考图像；获取由摄像头采集的车位监控图像；将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；计算所述参考特征图和所述监控特征图之间的差分特征图；对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于区块链的智慧社区运营管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于区块链的智慧社区运营管理方法。
与现有技术相比，本申请提供的一种基于区块链的智慧社区运营管理系统，其通过采用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于区块链的智慧社区运营管理系统的应用场景图；
图2为根据本申请实施例的基于区块链的智慧社区运营管理系统的框图；
图3为根据本申请实施例的基于区块链的智慧社区运营管理系统的系统架构图；
图4为根据本申请实施例的基于区块链的智慧社区运营管理系统中图像编码模块的框图；
图5为根据本申请实施例的基于区块链的智慧社区运营管理系统中卷积神经网络编码的流程图；
图6为根据本申请实施例的基于区块链的智慧社区运营管理系统中管理结果生成模块的框图；
图7为根据本申请实施例的基于区块链的智慧社区运营管理方法的流程图；
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前背景技术所言，在社区运营管理中，社区停车问题没有得到足够的关注和提供相应的解决方案。大部分社区中都建有停车场，居民通过缴纳停车费来获得停车的权利。但随着私家车的普及，社区停车也出现了一些问题。典型的例子便是某些车主抢占他人车位，造成了“停车费该由谁缴纳”的困境。因此，期待一种优化的智慧社区运营管理方案。
近年来，区块链和人工智能技术的发展为智慧社区运营管理提供了新的解决思路和方案。相应地，在本申请的技术方案中，将停有授权车辆的车位参考图像上传至区块链网络，以避免服务器后台对所述停有授权车辆的车位参考图像进行篡改，同时，在授权车主更换授权车辆时，其可提供新的车位参考图像并且区块链网络能够保存其变更技术，以使得车主的所有行为变得可追踪且有证据力。
相应地，在进行社区管理中，可从所述区块链网络得到停有授权车辆的车位参考图像，同时，通过部署于社区的摄像头采集车位监控图像。应可以理解，在本申请的技术方案中，可通过所述车位监控图像和所述车位参考图像之间的比对来判断车位是否被违法占用。但是，在实际方案构建中，即便是授权车辆停在车位上，因授权车辆的停放位姿、拍摄角度等外在因素的影响，也会发生车位被违法占用的错误判断。
针对此技术问题，在本申请的技术方案中，将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图，并计算所述参考特征图和所述监控特征图之间的差分特征图。也就是，使用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这里，在使用所述卷积神经网络模型对所述车位参考图像和所述车位监控图像进行基于卷积核的特征提取时，有效的高维特征被激活而无效的高维特征被抑制，以使得所述差分特征图所表达的差异更能够表征两者的本质性差异，即，易于判断车位是否被违法占用。
特别地，在本申请的技术方案中，所述参考特征图和所述监控特征图中各个空间维度的像素点以及所述参考特征图和所述监控特征图各个通道特征对于最终的分类判断的贡献度不同，为了提高空间可鉴别性和通道可鉴别性，在本申请的技术方案中，通过CBAM注意力机制首先学习特征图中不同位置或不同通道的重要性权值，然后将学习到的重要性权值与原特征图中值相乘输出新特征图，特别地，所述CBAM注意力机制结合了通道与空间的注意力机制模块，其中，通道注意力模块保持通道维度不变，只压缩空间维度，因此该模块对类别信息敏感；空间注意力模块空间维度不变，压缩通道维度，因此该模块对位置信息敏感。
在得到所述差分特征图之后，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。也就是，使用所述分类器来确定所述差分特征图所属的类概率标签。
特别地，在本申请的技术方案中，通过所述参考特征图和所述监控特征图之间的按位置差分以得到所述差分特征图，并且，在得到所述参考特征图和所述监控特征图的过程中，采用了综合通道注意力机制和空间注意力机制的CBAM注意力机制，可以使得所述差分特征图关注预定通道维度和预定空间维度的差分特征。但是，这也会导致所述差分特征图在通道维度和空间维度下特征分布的连续性下降，使得所述差分特征图在分类器中展开为特征向量之后，与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。因此，本申请的申请人对所述差分特征图进行类表征平展化，具体表示为：
fi是所述差分特征图的预定特征值，fj是所述差分特征图的所述预定特征值以外的其它特征值，
是所述差分特征图的所有特征值的均值，且N是所述差分特征图的尺度，即宽度乘以高度乘以通道数。
这里，所述差分特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得平展的“切片”连续性，以增强所述差分特征图对于分类器的权重矩阵的拟合性能。这样，就提升了所述差分特征图通过分类器进行分类的训练速度和分类结果的准确性。
基于此，本申请提出了一种基于区块链的智慧社区运营管理系统，其包括：区块链模块，用于从区块链网络得到停有授权车辆的车位参考图像；社区监控模块，用于获取由摄像头采集的车位监控图像；图像编码模块，用于将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；差分模块，用于计算所述参考特征图和所述监控特征图之间的差分特征图；连续性优化模块，用于对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及，管理结果生成模块，用于将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
图1为根据本申请实施例的基于区块链的智慧社区运营管理系统的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取车位监控图像(例如，如图1中所示意的F1)，以及，从区块链网络(例如，如图1中所示意的I)获取停有授权车辆的车位参考图像(例如，如图1中所示意的F2)。接着，将上述图像输入至部署有用于基于区块链的智慧社区运营管理算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述基于区块链的智慧社区运营管理算法对上述输入的图像进行处理，以生成用于表示车位是否被违法占用的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的基于区块链的智慧社区运营管理系统的框图。如图2所示，根据本申请实施例的基于区块链的智慧社区运营管理系统300，包括：区块链模块310；社区监控模块320；图像编码模块330；差分模块340；连续性优化模块350；以及，管理结果生成模块360。
其中，所述区块链模块310，用于从区块链网络得到停有授权车辆的车位参考图像；所述社区监控模块320，用于获取由摄像头采集的车位监控图像；所述图像编码模块330，用于将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；所述差分模块340，用于计算所述参考特征图和所述监控特征图之间的差分特征图；所述连续性优化模块350，用于对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及，所述管理结果生成模块360，用于将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
图3为根据本申请实施例的基于区块链的智慧社区运营管理系统的系统架构图。如图3所示，在所述基于区块链的智慧社区运营管理系统300的系统架构中，首先通过所述区块链模块310从区块链网络得到停有授权车辆的车位参考图像；所述社区监控模块320获取由摄像头采集的车位监控图像；接着，所述图像编码模块330将所述区块链模块310获取的车位参考图像和所述社区监控模块320获取的车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；所述差分模块340计算所述图像编码模块330得到的参考特征图和所述监控特征图之间的差分特征图；然后，所述连续性优化模块350对所述差分模块340计算所得的差分特征图进行特征分布连续性优化以得到优化差分特征图；进而，所述管理结果生成模块360将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
具体地，在所述基于区块链的智慧社区运营管理系统300的运行过程中，所述区块链模块310和所述社区监控模块320，用于从区块链网络得到停有授权车辆的车位参考图像，以及，获取由摄像头采集的车位监控图像。在本申请的技术方案中，将停有授权车辆的车位参考图像上传至区块链网络，以避免服务器后台对所述停有授权车辆的车位参考图像进行篡改，同时，在授权车主更换授权车辆时，其可提供新的车位参考图像并且区块链网络能够保存其变更技术，以使得车主的所有行为变得可追踪且有证据力。因此，在本申请的一个具体示例中，在进行社区管理中，可从所述区块链网络得到停有授权车辆的车位参考图像，同时，通过部署于社区的摄像头采集车位监控图像。
具体地，在所述基于区块链的智慧社区运营管理系统300的运行过程中，所述图像编码模块330和所述差分模块340，用于将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图，并计算所述参考特征图和所述监控特征图之间的差分特征图。考虑到在实际方案构建中，即便是授权车辆停在车位上，因授权车辆的停放位姿、拍摄角度等外在因素的影响，也会发生车位被违法占用的错误判断。针对此技术问题，在本申请的技术方案中，将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图，并计算所述参考特征图和所述监控特征图之间的差分特征图。也就是，使用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这里，在使用所述卷积神经网络模型对所述车位参考图像和所述车位监控图像进行基于卷积核的特征提取时，有效的高维特征被激活而无效的高维特征被抑制，以使得所述差分特征图所表达的差异更能够表征两者的本质性差异，即，易于判断车位是否被违法占用。特别地，在本申请的技术方案中，所述参考特征图和所述监控特征图中各个空间维度的像素点以及所述参考特征图和所述监控特征图各个通道特征对于最终的分类判断的贡献度不同，为了提高空间可鉴别性和通道可鉴别性，在本申请的技术方案中，通过CBAM注意力机制首先学习特征图中不同位置或不同通道的重要性权值，然后将学习到的重要性权值与原特征图中值相乘输出新特征图，特别地，所述CBAM注意力机制结合了通道与空间的注意力机制模块，其中，通道注意力模块保持通道维度不变，只压缩空间维度，因此该模块对类别信息敏感；空间注意力模块空间维度不变，压缩通道维度，因此该模块对位置信息敏感。在本申请的一个具体示例中，所述计算所述参考特征图和所述监控特征图之间的差分特征图，包括：以如下公式计算所述参考特征图和所述监控特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述参考特征图，F2表示所述监控特征图，Fc表示所述差分特征图，
表示按位置差分。
图4为根据本申请实施例的基于区块链的智慧社区运营管理系统中图像编码模块的框图。如图4所示，所述图像编码模块320，包括：特征提取单元321，用于将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图；以及，注意力单元322，用于将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图。其中，所述将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图，在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述使用CBAM注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，所述使用CBAM注意力机制的卷积神经网络模型的最后一层的输出为所述局部语义强化位置特征向量，所述使用CBAM注意力机制的卷积神经网络模型的第一层的输入为所述一维特征向量。更具体地，所述将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图，包括：将所述初始参考特征图和所述初始监控特征图通过所述CBAM注意力模块的通道注意力层以得到通道注意力参考特征图和通道注意力监控特征图；以及，所述通道注意力参考特征图和所述通道注意力监控特征图分别输入所述CBAM注意力模块的空间注意力层以得到所述参考特征图和所述监控特征图。
图5为根据本申请实施例的基于区块链的智慧社区运营管理系统中卷积神经网络编码的流程图。如图5所示，在所述卷积神经网络编码过程中，包括：使用所述卷积神经网络模型的深度卷积编码部分的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的深度卷积编码部分的最后一层的输出为所述初始参考特征图和所述初始监控特征图，所述卷积神经网络模型的深度卷积编码部分的输入为所述车位参考图像和所述车位监控图像。
具体地，在所述基于区块链的智慧社区运营管理系统300的运行过程中，所述连续性优化模块350，用于对所述差分特征图进行特征分布连续性优化以得到优化差分特征图。特别地，在本申请的技术方案中，通过所述参考特征图和所述监控特征图之间的按位置差分以得到所述差分特征图，并且，在得到所述参考特征图和所述监控特征图的过程中，采用了综合通道注意力机制和空间注意力机制的CBAM注意力机制，可以使得所述差分特征图关注预定通道维度和预定空间维度的差分特征。但是，这也会导致所述差分特征图在通道维度和空间维度下特征分布的连续性下降，使得所述差分特征图在分类器中展开为特征向量之后，与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。因此，本申请的申请人对所述差分特征图进行类表征平展化，具体表示为：
其中fi是所述差分特征图的预定特征值，fj是所述差分特征图的所述预定特征值以外的其它特征值，
是所述差分特征图的所有特征值的均值，且N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，exp(·)表示特征值的指数运算。这里，所述差分特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得平展的“切片”连续性，以增强所述差分特征图对于分类器的权重矩阵的拟合性能。这样，就提升了所述差分特征图通过分类器进行分类的训练速度和分类结果的准确性。
具体地，在所述基于区块链的智慧社区运营管理系统300的运行过程中，所述管理结果生成模块360，用于将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。也就是，将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。也就是，使用所述分类器来确定所述差分特征图所属的类概率标签。也就是，使用所述分类器确定所述优化差分特征图所属的类概率标签，其中，所述类概率标签包括车位被违法占用(第一标签)，以及，车位没有被违法占用(第二标签)。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。在本申请的一个具体示例中，使用所述分类器以如下公式对所述优化差分特征图进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述优化差分特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述优化差分特征图投影为向量，例如，在一个具体的示例中，将所述优化差分特征图沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到所述编码分类特征向量归属于车位被违法占用的第一标签，以及，车位没有被违法占用的第二标签。
图6为根据本申请实施例的基于区块链的智慧社区运营管理系统中管理结果生成模块的框图。如图6所示，所述管理结果生成模块360，包括：展开单元361，用于将所述优化差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元362，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元363，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的基于区块链的智慧社区运营管理系统300被阐明，其通过采用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。
如上所述，根据本申请实施例的基于区块链的智慧社区运营管理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于区块链的智慧社区运营管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于区块链的智慧社区运营管理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于区块链的智慧社区运营管理系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于区块链的智慧社区运营管理系统300与该终端设备也可以是分立的设备，并且该基于区块链的智慧社区运营管理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的基于区块链的智慧社区运营管理方法的流程图。如图7所示，根据本申请实施例的基于区块链的智慧社区运营管理方法，包括步骤：S110，从区块链网络得到停有授权车辆的车位参考图像；S120，获取由摄像头采集的车位监控图像；S130，将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；S140，计算所述参考特征图和所述监控特征图之间的差分特征图；S150，对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及，S150，将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
在一个示例中，在上述基于区块链的智慧社区运营管理方法中，所述步骤S130，包括：将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图；以及，将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图。其中，所述将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图，包括：使用所述卷积神经网络模型的深度卷积编码部分的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的深度卷积编码部分的最后一层的输出为所述初始参考特征图和所述初始监控特征图，所述卷积神经网络模型的深度卷积编码部分的输入为所述车位参考图像和所述车位监控图像。更具体地，所述将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图，包括：将所述初始参考特征图和所述初始监控特征图通过所述CBAM注意力模块的通道注意力层以得到通道注意力参考特征图和通道注意力监控特征图；以及，所述通道注意力参考特征图和所述通道注意力监控特征图分别输入所述CBAM注意力模块的空间注意力层以得到所述参考特征图和所述监控特征图。
在一个示例中，在上述基于区块链的智慧社区运营管理方法中，所述步骤S140，包括：以如下公式计算所述参考特征图和所述监控特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述参考特征图，F2表示所述监控特征图，Fc表示所述差分特征图，
表示按位置差分。
在一个示例中，在上述基于区块链的智慧社区运营管理方法中，所述步骤S150，包括：以如下公式对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；其中，所述公式为：
其中fi是所述差分特征图的预定特征值，fj是所述差分特征图的所述预定特征值以外的其它特征值，
是所述差分特征图的所有特征值的均值，且N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，exp(·)表示特征值的指数运算。
在一个示例中，在上述基于区块链的智慧社区运营管理方法中，所述步骤S160，包括：将所述优化差分特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的基于区块链的智慧社区运营管理方法被阐明，其通过采用基于深度学习的卷积神经网络模型作为特征提取器将所述车位参考图像和所述车位监控图像分别映射到高维特征空间中，并以两者在高维特征空间中的差分特征图来表示两者之间的差异。这样，能够更准确地判断车位是否被违法占用，进而优化了智慧社区的运营管理。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于区块链的智慧社区运营管理系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化差分特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于区块链的智慧社区运营管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于区块链的智慧社区运营管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种基于区块链的智慧社区运营管理系统，其特征在于，包括：区块链模块，用于从区块链网络得到停有授权车辆的车位参考图像；社区监控模块，用于获取由摄像头采集的车位监控图像；图像编码模块，用于将所述车位参考图像和所述车位监控图像分别输入使用CBAM注意力机制的卷积神经网络模型以得到参考特征图和监控特征图；差分模块，用于计算所述参考特征图和所述监控特征图之间的差分特征图；连续性优化模块，用于对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；以及管理结果生成模块，用于将所述优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示车位是否被违法占用。
2.根据权利要求1所述的基于区块链的智慧社区运营管理系统，其特征在于，所述图像编码模块，包括：特征提取单元，用于将所述车位参考图像和所述车位监控图像分别输入所述卷积神经网络模型的深度卷积编码部分以得到初始参考特征图和初始监控特征图；以及注意力单元，用于将所述初始参考特征图和所述初始监控特征图通过所述卷积神经网络模型的CBAM注意力模块以得到所述参考特征图和所述监控特征图。
3.根据权利要求2所述的基于区块链的智慧社区运营管理系统，其特征在于，所述特征提取单元，进一步用于：使用所述卷积神经网络模型的深度卷积编码部分的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的深度卷积编码部分的最后一层的输出为所述初始参考特征图和所述初始监控特征图，所述卷积神经网络模型的深度卷积编码部分的输入为所述车位参考图像和所述车位监控图像。
4.根据权利要求3所述的基于区块链的智慧社区运营管理系统，其特征在于，所述注意力单元，包括：空间注意力子单元，用于将所述初始参考特征图和所述初始监控特征图通过所述CBAM注意力模块的通道注意力层以得到通道注意力参考特征图和通道注意力监控特征图；以及通道注意力子单元，用于所述通道注意力参考特征图和所述通道注意力监控特征图分别输入所述CBAM注意力模块的空间注意力层以得到所述参考特征图和所述监控特征图。
5.根据权利要求4所述的基于区块链的智慧社区运营管理系统，其特征在于，所述差分模块，进一步用于：以如下公式计算所述参考特征图和所述监控特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述参考特征图，F2表示所述监控特征图，Fc表示所述差分特征图，
表示按位置差分。
6.根据权利要求5所述的基于区块链的智慧社区运营管理系统，其特征在于，所述连续性优化模块，进一步用于：以如下公式对所述差分特征图进行特征分布连续性优化以得到优化差分特征图；其中，所述公式为：
其中fi是所述差分特征图的预定特征值，fj是所述差分特征图的所述预定特征值以外的其它特征值，
是所述差分特征图的所有特征值的均值，且N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，exp(·)表示特征值的指数运算。
7.根据权利要求6所述的基于区块链的智慧社区运营管理系统，其特征在于，所述管理结果生成模块，包括：展开单元，用于将所述优化差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036459.6A CN115937792B (zh) | 2023-01-10 | 2023-01-10 | 基于区块链的智慧社区运营管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036459.6A CN115937792B (zh) | 2023-01-10 | 2023-01-10 | 基于区块链的智慧社区运营管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115937792A true CN115937792A (zh) | 2023-04-07 |
| CN115937792B CN115937792B (zh) | 2023-09-12 |
Family
ID=86700920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310036459.6A Active CN115937792B (zh) | 2023-01-10 | 2023-01-10 | 基于区块链的智慧社区运营管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937792B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720998A (zh) * | 2023-07-14 | 2023-09-08 | 浙江湖州开芯数字科技有限公司 | 智慧社区管理系统及其方法 |
| CN117649072A (zh) * | 2023-11-20 | 2024-03-05 | 东方砌香新能源科技有限公司 | 基于深度学习的智能调度管理系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| CN114758230A (zh) * | 2022-04-06 | 2022-07-15 | 桂林电子科技大学 | 基于注意力机制的地下目标体分类识别方法 |
| CN115311609A (zh) * | 2022-10-12 | 2022-11-08 | 山东劳兰电子科技有限公司 | 渣土车运输管理系统及其管理方法 |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类系统及其分类方法 |
| CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
| CN115511890A (zh) * | 2022-11-23 | 2022-12-23 | 深圳市吉斯凯达智慧科技有限公司 | 异型网络接口大流量数据的分析系统 |
-
2023
- 2023-01-10 CN CN202310036459.6A patent/CN115937792B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| CN114758230A (zh) * | 2022-04-06 | 2022-07-15 | 桂林电子科技大学 | 基于注意力机制的地下目标体分类识别方法 |
| CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类系统及其分类方法 |
| CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
| CN115311609A (zh) * | 2022-10-12 | 2022-11-08 | 山东劳兰电子科技有限公司 | 渣土车运输管理系统及其管理方法 |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115511890A (zh) * | 2022-11-23 | 2022-12-23 | 深圳市吉斯凯达智慧科技有限公司 | 异型网络接口大流量数据的分析系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720998A (zh) * | 2023-07-14 | 2023-09-08 | 浙江湖州开芯数字科技有限公司 | 智慧社区管理系统及其方法 |
| CN117649072A (zh) * | 2023-11-20 | 2024-03-05 | 东方砌香新能源科技有限公司 | 基于深度学习的智能调度管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115937792B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11475660B2 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
| Dewi et al. | Weight analysis for various prohibitory sign detection and recognition using deep learning | |
| CN112329659B (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
| CN110728295B (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
| Yu et al. | Vision‐based traffic accident detection using sparse spatio‐temporal features and weighted extreme learning machine | |
| CN111695604A (zh) | 一种图像可信度的确定方法、装置及电子设备、存储介质 | |
| CN115841644A (zh) | 基于物联网的城市基础建设工程设备的控制系统及其方法 | |
| CN115937792B (zh) | 基于区块链的智慧社区运营管理系统 | |
| US20230281826A1 (en) | Panoptic segmentation with multi-database training using mixed embedding | |
| Li | Image semantic segmentation method based on GAN network and ENet model | |
| CN111553242B (zh) | 用于预测驾驶行为的生成对抗网络的训练方法和电子设备 | |
| Liang et al. | Car detection and classification using cascade model | |
| Qaddour et al. | Automatic damaged vehicle estimator using enhanced deep learning algorithm | |
| Zhao et al. | Pyramid Bayesian method for model uncertainty evaluation of semantic segmentation in autonomous driving | |
| CN114612904A (zh) | 车位情况信息推送方法、装置、电子设备和存储介质 | |
| Pan et al. | A hybrid deep learning algorithm for the license plate detection and recognition in vehicle-to-vehicle communications | |
| Zhao | Image semantic segmentation method based on GAN network and FCN model | |
| Luo et al. | Seatbelt detection in road surveillance images based on improved dense residual network with two-level attention mechanism | |
| US20230281999A1 (en) | Infrastructure analysis using panoptic segmentation | |
| CN112115928B (zh) | 基于违停车辆标签的神经网络的训练方法和检测方法 | |
| Sun et al. | Vehicle classification approach based on the combined texture and shape features with a compressive DL | |
| CN112016534B (zh) | 车辆违停检测的神经网络的训练方法、检测方法和装置 | |
| CN112837326B (zh) | 遗留物检测方法、装置及设备 | |
| Negri | Estimating the queue length at street intersections by using a movement feature space approach | |
| Yu et al. | Human body posture recognition algorithm for still images |
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 |