-
公开(公告)号：CN107992944A
公开(公告)日：2018-05-04
申请号：CN201711122594.3
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于原始生成对抗网络模型的多尺度卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在神经网络中利用多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于原始生成对抗网络模型的多尺度卷积方法，改变了判别器、生成器接收图片后的卷积方式。在传统的对抗网络模型中，判别器、生成器针对单层图像的卷积只采用1个卷积核，而在本发明中，在对同一层图像进行操作时，采用了多个卷积核同时进行的方式，从而能够同时学习到多种特征，提高了整个网络训练模型的效率。
-
公开(公告)号：CN107886162A
公开(公告)日：2018-04-06
申请号：CN201711123711.8
申请日：2017-11-14
Applicant: 华南理工大学 , 广州视声智能股份有限公司 , 广州视声智能科技有限公司
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于WGAN模型的可变形卷积核方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；S3、初始化随机噪声，输入生成器中；S4、在WGAN模型中利用可变形卷积核对图像进行卷积；S5、将可变形卷积操作得到的损失函数输入生成器进行后续训练。本发明构建的基于WGAN模型的可变形卷积核方法，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够根据训练的情况自动地改变卷积核的大小，从而能够自适应地对数据集图像的特征进行学习，提高了整个网络训练的鲁棒性。
-
公开(公告)号：CN107871142A
公开(公告)日：2018-04-03
申请号：CN201711123735.3
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06K9/627 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于深度卷积对抗网络模型的空洞卷积方法，属于深度学习神经网络领域，所述的空洞卷积方法包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造深度卷积神经网络作为生成器与判别器；S3、初始化随机噪声，输入生成器中；S4、在神经网络中利用空洞卷积对图像进行卷积操作；S5、将空洞卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于深度卷积对抗网络模型的空洞卷积方法，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够以更大的范围对图像的特征进行学习，从而能够提高整个网络训练模型的鲁棒性。
-
公开(公告)号：CN107862377A
公开(公告)日：2018-03-30
申请号：CN201711122564.2
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的分组卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、将卷积层分组，使卷积操作在多个GPU上同时进行；S5、将各个分组得到的特征图进行融合，更新损失函数，进行后续训练。本方法构建的文本-图像生成对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，对卷积进行了分组，使其在多个GPU中同时进行，最后将卷积的结果进行融合，从而大大地减少了参数量，提高了整个网络训练的效率。
-
公开(公告)号：CN107590518A
公开(公告)日：2018-01-16
申请号：CN201710690204.6
申请日：2017-08-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种多特征学习的对抗网络训练方法，属于深度学习神经网络领域，包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN模型；S2、为判别器构造多个卷积核；S3、初始化随机噪声，输入生成器中；S4、利用构造的多个不同大小的卷积核，对所有判别器接收的图像进行卷积，获得多张特征图；S5、输出多张特征图损失函数的均值至生成器中继续训练。本方法构建的多特征学习的对抗网络训练方法，改变了判别器接收图片后的训练方法，让判别器的卷积过程并行进行，能够同时学习到生成器生成图像的多个特征，能够更加快速地学习到数据集中的多种特征，从而能够高效地生成满足数据集特征的图像。
-
Patent Agency Ranking
公开(公告)号：CN107563510A
公开(公告)日：2018-01-09
申请号：CN201710690212.0
申请日：2017-08-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度卷积神经网络的WGAN模型方法，属于深度学习神经网络领域，该方法包括以下步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型；S2、将判别器构造成深度卷积神经网络结构；S3、将生成器构造成转置卷积神经网络结构；S4、对判别器的损失函数采取Wasserstein距离的损失函数；S5、准备数据集，对构造完毕的网络进行训练。本方法根据生成对抗网络模型的特点，创造性地提出了深度卷积神经网络与WGAN相结合的构造方式，将生成器与判别器构造成深度卷积神经网络的形式，同时使用WGAN的损失函数形式，既能在训练的过程上学习图像特征，又能根据损失函数的大小反映生成图像质量的优劣。
-
公开(公告)号：CN107316106A
公开(公告)日：2017-11-03
申请号：CN201710437710.4
申请日：2017-06-12
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于动态阈值确定嵌入维的神经网络时间序列预测方法，包括S1判定时间序列的混沌特性，得到混沌时间序列；S2对混沌时间序列进行数据归一化处理；S3利用自相关函数法计算混沌时间序列的时间延迟；S4利用动态阈值方法计算混沌时间序列的嵌入维；S5利用时间延迟和嵌入维构造BP神经网络的输入层结构；S6利用时间延迟和嵌入维构造BP神经网络的训练数据集；S7利用构造的BP神经网络对混沌时间序列数据组进行训练及预测。本发明替代了以往一味根据经验确定阈值的思想，有着良好的自适应能力。
-
公开(公告)号：CN104318761B
公开(公告)日：2017-02-08
申请号：CN201410436667.6
申请日：2014-08-29
Applicant: 华南理工大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于高速公路场景的检测方法及车辆检测跟踪的优化，其特征在于，包括以下步骤：1、检测视频中的车道线，标记并记录车道线信息；2、检测所标记车道线内的车辆，标记并记录车辆信息；3、检测视频中车辆的距离，标记并记录车距；4、判断车辆的距离是否大于给定阀值，如果是，则进入步骤5，否则，返回步骤1；5、记录在时间t内的车距Di，标记其最大值和最小值，并判断最值差是否小于给定值，如果是，则进入步骤6，否则，返回步骤1；6、判定场景已切换至高速公路；7、对标记车辆进行跟踪。具有减少了视频的处理帧数、减少了计算量和提高了实时性等优点。
-
公开(公告)号：CN103481842B
公开(公告)日：2015-12-02
申请号：CN201310406969.4
申请日：2013-09-09
Applicant: 华南理工大学
Abstract: 本发明公开了一种车辆检测与跟踪模式的切换方法，包括以下步骤：（1）检测视频中的车辆，并标记；（2）对标记出的车辆编号，并记录车辆信息；（3）若驾驶员要求对车辆进行跟踪，则切换到跟踪模式；（4）若驾驶员没有要求跟踪车辆，则判断当前视频中是否有三辆以上完整车辆被检测到，如果有，则进入步骤（5），如果没有则返回步骤（1）；（5）自动进入车辆跟踪模式，处理连续若干帧或目标丢失后返回步骤（1）。与现有技术相比，本发明除了能进行车辆检测，车辆跟踪，还能根据驾驶员要求对特定车辆进行跟踪以及自动根据检测结果跟踪检测目标，把车辆检测与车辆跟踪结合起来，极大地提高车辆检测跟踪算法的实时性并满足驾驶员的需求。
-
公开(公告)号：CN103714697B
公开(公告)日：2015-10-28
申请号：CN201310714749.8
申请日：2013-12-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种识别跟踪罪犯车辆的方法，包括以下步骤：（1）通过报警人或监控录像获得罪犯车辆信息，确定目标车辆，（2）根据目标车辆的图像信息提取其不变性特征，如surf特征，（3）量化surf特征成特征描述器后传输到中央控制中心，根据犯罪地点与时间等确定罪犯潜在区域，（4）中央控制中心将罪犯车辆特征描述器分传至各侦察网点，匹配侦察车辆后缩小侦察范围，（5）中央控制中心发送特征描述器到侦察范围内的前方巡逻车，（6）对巡逻车内实时监控录像进行surf特征匹配，前方车辆匹配成功，则执行跟踪。
-
-
-
-
-
-
-
-
-
Search Results
164
records
(took 0.044 seconds)
