-
公开(公告)号：CN116863561A
公开(公告)日：2023-10-10
申请号：CN202310664213.3
申请日：2023-06-06
Applicant: 长安大学
IPC: G07C5/08 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本申请涉及一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法，该方法将衡量车辆交互用强度的标准重新定义为目标车辆的意图，并构造了IRA模块来将注意力分配到位于不同区域的周围车辆，注意力矩阵用于加权聚合不同区域的交互，可以在更大范围内对非局部交互进行建模，而不会引入与周围无关车辆产生的噪声；构造了DIM模块，DIM模块综合考虑了同一机动类型轨迹的模态共性和个性，并以数据驱动的方式进一步学习了轨迹的个性化高维模态表征，从而指导模型输出更准确合理的多模态轨迹。
-
公开(公告)号：CN115730637A
公开(公告)日：2023-03-03
申请号：CN202211490477.3
申请日：2022-11-25
Applicant: 长安大学
IPC: G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本申请涉及多模态车辆轨迹预测模型训练方法、装置及轨迹预测方法，模型训练方法包括将车辆运动轨迹训练数据划分为多个类别；对每个类别的训练数据基于解码器模块进行权重迭代剪枝，得到每个类别对应的掩码矩阵；基于每个类别的训练数据、每个类别对应的掩码矩阵对编码器模块和解码器模块进行训练，得到训练后的多模态车辆轨迹预测模型，能够输出与多个类别对应的多个轨迹预测结果。本申请的多模态车辆轨迹预测模型训练方法，采用基于数据驱动的方式，充分考虑不同驾驶操作意图，结合车辆的历史运动轨迹状态信息和不同驾驶操作意图的特征，进行多模态车辆轨迹预测模型的训练，生成的车辆轨迹预测模型能够输出多个合理的预测轨迹。
-
公开(公告)号：CN109582993B
公开(公告)日：2022-11-25
申请号：CN201810637452.9
申请日：2018-06-20
Applicant: 长安大学
IPC: G06F30/27 , G06T17/00 , G06N3/04 , G06N3/08 , G06F111/04
Abstract: 本发明公开了城市交通场景图像理解与多视角群智优化方法，利用道路布局随机变量的交叉口行车路径先验建模与基于FCN学习网络的路面语义先验建模方法，提高交叉口行车路线与路面的认知精度与整个场景语义理解程度；融合认知驱动的先验模型与数据驱动的二维‑三维空间变换的候选框语义特征，结合深度神经网络，实现复杂交通场景三维目标检测与识别；协同考虑车辆位置姿态与行驶轨迹先验模型，对复杂道路环境如交叉口交通场景，对三维场景流进行估计与描述，全面表征场景中交通参与者的姿态与运动趋势；针对城市复杂交叉口路段环境，通过多视角群智优化实现交通场景的全息理解，本发明有效且易实现的交通环境理解，为智能车的自主控制提供决策依据。
-
公开(公告)号：CN112001385A
公开(公告)日：2020-11-27
申请号：CN202010845641.2
申请日：2020-08-20
Applicant: 长安大学
Abstract: 本发明公开了一种目标跨域检测与理解方法、系统、设备及存储介质，属于目标检测与识别领域。通过空间概率控制与显著点池化，联合编码位置概率与图像特征的耦合关系，高效定位目标候选框对角线顶点，简化网络复杂度，以满足面向实际检测的应用需求；通过跨域引导语义提取与知识迁移，探究面向不同域的目标深度视觉特征与引导语义包含关系，指导网络训练，提取跨域不变特征以增强模型的跨域感知；通过对目标值得注意度解析，探究语义层次跨域感知映射作用与反传机理，解决具体意图下值得注意的目标预测与引导语义理解的准确性问题。本发明能够精确模拟视觉系统对目标的重要性扫描与语义判断的过程，从而提高环境视觉感知能力及主动安全性。
-
公开(公告)号：CN107368787B
公开(公告)日：2020-11-10
申请号：CN201710459554.1
申请日：2017-06-16
Applicant: 长安大学
Abstract: 本发明公开了一种面向深度智驾应用的交通标志识别算法，基于网络对多源公测数据集平移扩展性与稳定性的考虑，建立多源公测数据集对于交通标志的统一类别表征，通过基于局部上下文信息随机裁剪的数据增强策略实现了数据集的扩展，以及多尺度卷积特征图网络与集合网络迭代交替验证训练策略，得到了性能较好的检测网络与识别网络，使网络易于训练且收敛更快；基于自底向上的卷积特征，通过自顶向下融合多尺度卷积特征网络建模方法，提高小尺寸交通标志的查全率；不追求设计更深更复杂的Convnet以获取更高的物体识别率，而是针对交通标志目标的特点，通过对比实验，提出一种能够获得更优信息流动与更好性能表现的集合网络，实现了交通标志的高效识别。
-
Patent Agency Ranking
公开(公告)号：CN109582993A
公开(公告)日：2019-04-05
申请号：CN201810637452.9
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了城市交通场景图像理解与多视角群智优化方法，利用道路布局随机变量的交叉口行车路径先验建模与基于FCN学习网络的路面语义先验建模方法，提高交叉口行车路线与路面的认知精度与整个场景语义理解程度；融合认知驱动的先验模型与数据驱动的二维-三维空间变换的候选框语义特征，结合深度神经网络，实现复杂交通场景三维目标检测与识别；协同考虑车辆位置姿态与行驶轨迹先验模型，对复杂道路环境如交叉口交通场景，对三维场景流进行估计与描述，全面表征场景中交通参与者的姿态与运动趋势；针对城市复杂交叉口路段环境，通过多视角群智优化实现交通场景的全息理解，本发明有效且易实现的交通环境理解，为智能车的自主控制提供决策依据。
-
公开(公告)号：CN107368787A
公开(公告)日：2017-11-21
申请号：CN201710459554.1
申请日：2017-06-16
Applicant: 长安大学
Abstract: 本发明公开了一种面向深度智驾应用的交通标志识别算法，基于网络对多源公测数据集平移扩展性与稳定性的考虑，建立多源公测数据集对于交通标志的统一类别表征，通过基于局部上下文信息随机裁剪的数据增强策略实现了数据集的扩展，以及多尺度卷积特征图网络与集合网络迭代交替验证训练策略，得到了性能较好的检测网络与识别网络，使网络易于训练且收敛更快；基于自底向上的卷积特征，通过自顶向下融合多尺度卷积特征网络建模方法，提高小尺寸交通标志的查全率；不追求设计更深更复杂的Convnet以获取更高的物体识别率，而是针对交通标志目标的特点，通过对比实验，提出一种能够获得更优信息流动与更好性能表现的集合网络，实现了交通标志的高效识别。
-
公开(公告)号：CN114970321B
公开(公告)日：2025-03-07
申请号：CN202210461605.5
申请日：2022-04-28
Applicant: 长安大学
IPC: G06F30/27 , G06F30/18 , G06T17/00 , G06Q10/04 , G06Q50/40 , G06N3/0442 , G06N3/0464 , G06N3/09 , G06F111/04
Abstract: 本发明公开了一种基于动态轨迹流的场景流数字孪生方法及系统，首先提出一种检测跟踪一体化多模态融合感知增强网络，在大幅度提高网络处理速度的同时，实现目标语义轨迹的精准提取与辨识；并提出一种结合道路布局与交通力耦合关系的目标轨迹预测方法，建模场景中语义的时序演变规律，实现交通运行环境中的目标轨迹预测；基于轨迹提取和语义辨识以及预测的运动轨迹，对中观层面交通态势的时序演变规律建模，获取基于真实目标动态轨迹流的场景流数字孪生。本发明能够有效实现目标语义轨迹的精准提取与辨识，同时可视化场景流数字孪生，为精准化交通管控服务提供决策支持。
-
公开(公告)号：CN112001385B
公开(公告)日：2024-02-06
申请号：CN202010845641.2
申请日：2020-08-20
Applicant: 长安大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06F40/30
Abstract: 本发明公开了一种目标跨域检测与理解方法、系统、设备及存储介质，属于目标检测与识别领域。通过空间概率控制与显著点池化，联合编码位置概率与图像特征的耦合关系，高效定位目标候选框对角线顶点，简化网络复杂度，以满足面向实际检测的应用需求；通过跨域引导语义提取与知识迁移，探究面向不同域的目标深度视觉特征与引导语义包含关系，指导网络训练，提取跨域不变特征以增强模型的跨域感知；通过对目标值得注意度解析，探究语义层次跨域感知映射作用与反传机理，解决具体意图下值得注意的目标预测与引导语义理解的准确性问题。本发明能够精确模拟视觉系统对目标的重要性扫描与语义判断的过程，从而提高环境视觉感知能力及主动安全性。
-
公开(公告)号：CN115526256A
公开(公告)日：2022-12-27
申请号：CN202211199482.9
申请日：2022-09-29
Applicant: 长安大学
IPC: G06K9/62 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请涉及目标分类模型训练方法，包括：构建目标分类模型；基于图训练数据集对目标分类模型进行训练，得到训练后的目标分类模型；图训练数据集包括多个图节点，每个图节点表示一个待分类目标；目标分类模型包括依次连接的深层表征提取层和聚类层。本申请的目标分类模型训练方法，解决了现有的半监督方法无法对不含节点标签信息的目标数据集进行分类的难题，基于无监督学习的网络训练同时也降低了聚类结果好坏对标签信息多少的依赖度，大大增强了网络的稳定性，始终在聚类任务中表现出较好的性能；实现了端对端学习，规避了多模块训练目标不一致的问题，降低了工程的复杂度、减小了训练误差，使网络性能更加鲁棒。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.029 seconds)
