-
公开(公告)号：CN119964371A
公开(公告)日：2025-05-09
申请号：CN202510070381.9
申请日：2025-01-16
Applicant: 东南大学
Abstract: 本发明提出了一种考虑因果推断和动态路径诱导相结合的交通管理方法，通过对事故时空扩散效应进行定量分析，结合实时监测数据，生成全局最优的交通诱导方案。本发明能够快速缓解交通事故引发的局部拥堵，最大程度恢复路网稳定，提升城市应急交通管理的效率和系统整体通行能力。
-
公开(公告)号：CN112084928B
公开(公告)日：2024-06-21
申请号：CN202010920823.1
申请日：2020-09-04
Applicant: 东南大学
IPC: G06V20/40 , G08G1/017 , G06V20/52 , G06V10/82 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于视觉注意力机制和ConvLSTM网络的道路事故检测方法，包括如下步骤：收集和划分事故图片数据集和视频数据集；搭建事故外观特征提取网络；训练事故外观特征提取网络；在训练后的事故外观特征提取模型的基础上引入事故的运动特征提取网络，完成总事故检测模型的搭建；使用视频数据训练集对总事故检测模型进行训练；通过训练后的总事故检测模型进行事故检测。本发明采用基于视觉注意力模块CBAM和图像特征提取网络ResNet‑50融合的事故外观特征提取模型，能够捕捉更局部，更具体的事故外观特征；采用了ConvLSTM网络捕捉事故运动特征，弥补了RNN和LSTM网络无法很好捕捉事故运动特征等缺陷，从而提高了事故检测精度。
-
公开(公告)号：CN114694091B
公开(公告)日：2024-06-14
申请号：CN202210223809.5
申请日：2022-03-09
Applicant: 东南大学
IPC: G06V20/52 , G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/096 , G06N3/09 , G06V10/774
Abstract: 本发明公开了一种复杂交通环境下基于监控视频的交通参与者检测方法。考虑到复杂交通场景中因交通参与者类型丰富且遮挡情况严重而导致存在各式各样的小目标，本发明基于深度目标检测网络YOLO V5，创新地设计了超分辨率特征提取模块，以保留小目标更丰富的外观特征。为了更好地训练所提出的超分辨率特征提取模块，进一步提出了知识蒸馏训练方法，指导检测模型以较小分辨率图片为输入的性能匹配其以较大分辨率图片为输入的感知性能，既缓解了因直接利用较大分辨率为输入而带来的计算负担，也获得了匹配较大分辨率为输入时的感知性能。提出方法有效提升了复杂交通环境下交通参与者的检测精度，有望被应用到实际交通监控场景中。
-
公开(公告)号：CN116226312A
公开(公告)日：2023-06-06
申请号：CN202310305227.6
申请日：2023-03-27
Applicant: 东南大学
Abstract: 本发明提供了一种面向突发事件影响的城市道路交通网络韧性评估方法，该方法包括：收集道路交通网络GIS数据以及车辆GPS轨迹数据；通过Space L方法构造网络拓扑结构，利用地图匹配算法实现交通状态信息与路网与拓扑信息的匹配；分别计算道路交通网络的结构韧性以及功能韧性指标，包括节点度、介数中心性、紧密中心性以及路段相对运行速度，并基于此计算网络的绝对韧性指标；计算考虑网络拓扑结构影响下路段的相对运行速度，利用渗流理论计算路网在不同连通性水平下的渗流阈值，并以渗流阈值作为网络的相对韧性指标；综合绝对韧性以及相对韧性指标，建立道路交通网络韧性评估综合指标对路网韧性进行评估。
-
公开(公告)号：CN115965590A
公开(公告)日：2023-04-14
申请号：CN202211604634.9
申请日：2022-12-13
Applicant: 东南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06T5/50
Abstract: 本发明公开了一种基于少量跨域数据学习的道路缺陷检测方法，涉及道路缺陷检测技术领域，为了降低检测模型对训练数据量的需求，本文基于Faster R‑CNN模型提出了适用于少样本场景下的道路缺陷检测方法，具体地，设计了一个缺陷加权分支来提取每种道路缺陷的外观特征，使得Faster R‑CNN能够基于给定的道路缺陷外观特征，快速定位图像中的道路缺陷；此外还提出了一种数据增强方法，不仅扩大了标记数据的丰富度，还缓解了应用时可能存在的跨域问题，从而有效提升了少样本情况下道路缺陷检测模型的精度，有望被实际应用到实际道路养护任务中。
-
Patent Agency Ranking
公开(公告)号：CN112084928A
公开(公告)日：2020-12-15
申请号：CN202010920823.1
申请日：2020-09-04
Applicant: 东南大学
Abstract: 本发明公开了一种基于视觉注意力机制和ConvLSTM网络的道路事故检测方法，包括如下步骤：收集和划分事故图片数据集和视频数据集；搭建事故外观特征提取网络；训练事故外观特征提取网络；在训练后的事故外观特征提取模型的基础上引入事故的运动特征提取网络，完成总事故检测模型的搭建；使用视频数据训练集对总事故检测模型进行训练；通过训练后的总事故检测模型进行事故检测。本发明采用基于视觉注意力模块CBAM和图像特征提取网络ResNet‑50融合的事故外观特征提取模型，能够捕捉更局部，更具体的事故外观特征；采用了ConvLSTM网络捕捉事故运动特征，弥补了RNN和LSTM网络无法很好捕捉事故运动特征等缺陷，从而提高了事故检测精度。
-
公开(公告)号：CN110688492B
公开(公告)日：2020-12-08
申请号：CN201910910212.6
申请日：2019-09-25
Applicant: 东南大学
IPC: G06F16/36 , G06F16/9035 , G06F16/9038 , G06F16/31 , G06F16/901
Abstract: 本发明公开了一种基于轻量级图索引的关于电影知识图谱的查询方法。本发明以无权无向图存储电影关系，图的顶点表示电影或者电影人物，边表示电影人物与电影之间的关系。在构建图索引时，先从具有最多电影关系的电影或电影人物中选取种子，并为每个种子计算L维向量以表示其特征，基于此推算出所有的特征，并保存在索引中。在执行查询时，从给定电影或电影人物出发，依次查找与其相关的电影或电影人物，如果找到满足查询条件的电影或电影人物，则选其为候选结果，最后，基于轻量级图索引进一步筛选候选结果，选择最优的k个结果作为最终的查询结果返回给用户。
-
公开(公告)号：CN103390200A
公开(公告)日：2013-11-13
申请号：CN201310301150.1
申请日：2013-07-18
Applicant: 国家电网公司 , 江苏省电力公司淮安供电公司 , 东南大学 , 江苏省电力公司
Abstract: 本发明公开了一种基于相似日的光伏电站发电输出功率预测方法，包括：1）将天气类型信息用相应的数据信息来描述，选取天气类型、温度和湿度作为相似日的特征量；2）将归一化后的相似日的特征量利用模糊聚类分析法进行聚类分析，求得不同聚类数目下的数据分类结果；3）通过聚类效果评价指标确定最佳聚类个数，形成相似日样本集；4）形成每个相似日样本集的发电量预测模型；5）根据预测日的天气预报信息，采用模糊聚类分析法确定预测日对应的相似日样本集，根据所对应相似日样本集的发电量预测模型实现对预测日发电量的预测。本发明方法简单易行，准确度高。
-
公开(公告)号：CN118298227A
公开(公告)日：2024-07-05
申请号：CN202410394831.5
申请日：2024-04-02
Applicant: 东南大学
IPC: G06V10/764 , G06V40/20 , G06V20/58 , G06V10/82 , G06V10/80 , G06T7/246 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于行人特性和人车交互的行人意图检测方法、装置及存储介质，其中方法包括：获取车载摄像设备的行车记录视频；对行车记录视频进行人物检测，得到行人检测结果；对得到的行人检测结果提取行人关键点，并保存关键点提取过程中的关键点热力图；基于提取的行人关键点分别确定各行人的速度；将提取的行人关键点输入至第一特征提取网络得到用于表征各行人运动状态分类结果的第一行为特征；将关键点热力图输入至第二特征提取网络得到第二行为特征；将第一行为特征和第二行为特征拼接得到行人行为特征；对行车记录视频分别进行场景分割和深度估计，得到场景分割图和深度估计图，并将场景分割图和深度估计图拼接后输入至第三特征提取网络得到行车记录视频每帧的人车交互特征；将行人检测结果、行人的速度、行人行为特征结合对应帧的人车交互特征输入至意图分类网络得到行人横穿马路意图检测结果。与现有技术相比，本发明具有检测准确性高等优点。
-
公开(公告)号：CN112101433B
公开(公告)日：2024-04-30
申请号：CN202010924261.8
申请日：2020-09-04
Applicant: 东南大学
IPC: G06V20/54 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464 , G08G1/065
Abstract: 本发明公开一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，包括以下步骤：收集YOLO V4训练数据集和车辆重识别数据集与数据增强，搭建YOLO V4模型并进行训练，搭建DeepSORT目标追踪模型，进行车辆的追踪并提取每辆车运行轨迹，搭建轨迹记录文件并存储每辆车的运行轨迹信息，使用DBSCAN聚类算法对轨迹数据的终点坐标进行聚类，将聚类簇与车道信息进行关联，根据轨迹数据的变化规律以及轨迹和聚类簇对应关系，实现车辆的分车道计数功能；本发明采用了YOLO V4+DeepSORT车辆检测和追踪模型，保证了车辆检测和追踪实时性的同时，精度也有了大幅度提升。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.026 seconds)
