-
公开(公告)号：CN118941899A
公开(公告)日：2024-11-12
申请号：CN202410842787.X
申请日：2024-06-27
Applicant: 苏州大学
IPC: G06V10/80 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了用于三维目标检测的多尺度时空混合采样融合方法及系统，涉及自动驾驶目标检测技术领域。本发明包括：接收图像数据和原始点云数据；采用双流时空特征提取网络，对图像数据和原始点云数据进行特征提取，通过使用多尺度感受野聚合特征的尺度自适应力，并在查询指导下生成采样位置的自适应时空采样特征；根据自适应时空采样特征，通过Transformer等变转换模块将稀疏的点云坐标特征聚合成轻量且紧凑的BEV特征。本发明通过全局时间尺度特征联系的增强与局部多尺度感知场的设计相结合，提高了不同大小及类别物体的检测精度，通过多尺度交叉Transformer将不同的单尺度特征转换为多尺度耦合表示，提取更多的时空感知信息以提高检测精度。
-
公开(公告)号：CN119049008A
公开(公告)日：2024-11-29
申请号：CN202410879904.X
申请日：2024-07-02
Applicant: 苏州大学
Abstract: 本发明公开了基于多模态体素图像特征融合注意力的三维目标检测方法，涉及自动驾驶目标检测技术领域。本发明包括：构建基于Transformer的双域体素空间特征编码模块，分别对体素域特征和相机域特征进行对应特征查询编码，最大限度地利用不同模态特征信息，来获取预选框；构建多尺度深度拟预测模块，对不同模态特征信息进行有效编码并提取得到体素特征及图像空间特征，对体素特征及图像空间特征进行级联得到联立特征。本发明解决了当前多模态目标检测算法在进行特征级融合时，存在不同域特征之间缺乏准确的分配权重，从而出现匹配错位，并且造成数据损失，最终降低了目标检测精度的问题。
-
公开(公告)号：CN118890165A
公开(公告)日：2024-11-01
申请号：CN202410777024.1
申请日：2024-06-17
Applicant: 苏州大学
IPC: H04L9/40 , G06N3/0442 , G06N3/0475 , G06N3/094 , G06N3/0455 , H04L41/16
Abstract: 本发明公开基于GAN和LSTM‑Autoencoder的车联网无监督入侵检测方法及系统，属于车联网安全领域；基于GAN和LSTM‑Autoencoder的车联网无监督入侵检测方法包括：从CICIDS2017数据集和IoT‑23数据集中获取数据，并分别进行预处理；通过生成对抗网络生成与异常数据相似的数据，来训练LSTM‑Autoencoder模型；利用LSTM‑Autoencoder模型重建输入数据，并通过重构误差设置阈值，用于异常数据检测；通过生成器和判别器的对抗，可以得到一个紧密有界的法向特征空间，从而解决边界异常数据难以检测的问题。
-
公开(公告)号：CN118900189A
公开(公告)日：2024-11-05
申请号：CN202410777027.5
申请日：2024-06-17
Applicant: 苏州大学
IPC: H04L9/40 , G06F18/10 , G06F18/213 , G06F18/23 , G06F18/25 , G06N3/0455 , G06N3/0499 , G06N3/084 , H04L41/16 , H04L67/10
Abstract: 本发明公开基于Transformer和自动编码器结合的边缘计算入侵检测方法及系统，属于车联网安全领域；基于Transformer和自动编码器结合的边缘计算入侵检测方法包括：从数据集中获取数据，并进行数据预处理；使用堆叠自编码器从预处理后的数据中提取空间特征；通过变分模态分解方法结合多头注意力机制从预处理后的数据中提取时间特征，并进行时空特征融合；将高维特征融合成低维数据，然后输入Transformer模型和自动编码器，得到检测结果。其中将Transformer全局学习能力和自动编码器的特征学习能力相结合，使得在保留全局信息的同时，更好地理解局部特征之间的关系，从而可以有效的处理高维数据特征。
-
-
-
Search Results
4
records
(took 0.018 seconds)
