检索结果-内蒙古大学图书馆

汽车技术 2023年第3期 19-25页

作者：刘子健张军刘元盛路铭宋庆鹏北京联合大学北京市信息服务工程重点实验室北京100101

针对视角和环境变化的场景中现有视觉位置识别方法存在的匹配遗漏和实时性差的问题,提出基于单级特征图融合坐标注意力的视觉位置识别方法。首先通过坐标注意力捕获特征的相对位置信息,然后利用扩张卷积和局部聚合向量网络(NetVLAD)构... 详细信息

针对视角和环境变化的场景中现有视觉位置识别方法存在的匹配遗漏和实时性差的问题,提出基于单级特征图融合坐标注意力的视觉位置识别方法。首先通过坐标注意力捕获特征的相对位置信息,然后利用扩张卷积和局部聚合向量网络(NetVLAD)构造多尺度特征融合的编码器,最后基于三元组损失训练网络。经Pitts30k和Nordland数据集验证,在位置识别试验中,与同基线的先进方法Patch-NetVLAD相比,所提出的方法能够获得同等的召回精度且检索速度提高19%。在回环检测试验中,所提出的方法达到了合理平衡鲁棒性和检索速度的目标。

关键词：自动驾驶视觉位置识别回环检测坐标注意力局部聚合向量网络三元组损失

来源：评论

学校读者我要写书评

暂无评论

基于GSegFormer的无人机图像密集小目标语义分割方法

引用

飞行力学 2025年

作者：刘炟龙浩张明瑜北京联合大学北京市信息服务工程重点实验室北京联合大学机器人学院

针对现有模型经过多次下采样处理，遗漏小目标特征，对密集小目标分割效果有限，以及目标在不同距离下尺度差异大造成的分割能力不足等问题，提出了一种改进的基于门控注意力的语义转换器模型（GSegFormer）网络。设计了多尺度低损特征... 详细信息

针对现有模型经过多次下采样处理，遗漏小目标特征，对密集小目标分割效果有限，以及目标在不同距离下尺度差异大造成的分割能力不足等问题，提出了一种改进的基于门控注意力的语义转换器模型（GSegFormer）网络。设计了多尺度低损特征融合网络融合编码器提取的多尺度特征，包括串联门控注意力（CGAM）模块和多尺度目标特征融合（MTFF）模块。CGAM模块动态处理语义特征并抑制影响详细信息的特征，从而提高对小目标的分割精度。MTFF模块对4个不同尺度的特征上采样后进行拼接，在CGAM之前冻结权重参数，从而加速训练。在AeroScapes和ISPRS Vaihingen数据集上进行了试验，与主流方法的定量分析和比较表明，GSegFormer对密集小目标有更理想的分割性能，更适合于航拍影像小目标分割任务。

关键词：无人机级联门控注意力特征融合语义分割

来源：评论

学校读者我要写书评

暂无评论

基于时空注意力分部图卷积网络的步态情绪识别

引用

计算机工程与应用 2025年

作者：邹宇翔何宁王文华黄逊锐北京联合大学北京市信息服务工程重点实验室北京联合大学智慧城市学院

步态情绪识别是模式识别领域的一个重要研究方向。现有的步态情绪识别研究大多基于对人体骨架整体特征的分析，但却忽略了人体不同身体部位在情绪表达上的差异性。事实上，人体骨架的不同部位在行走过程中具有明显不同的运动模式。因此... 详细信息

步态情绪识别是模式识别领域的一个重要研究方向。现有的步态情绪识别研究大多基于对人体骨架整体特征的分析，但却忽略了人体不同身体部位在情绪表达上的差异性。事实上，人体骨架的不同部位在行走过程中具有明显不同的运动模式。因此，本文提出了一种分部图卷积网络，通过将人体骨架分成各个身体部位，提取身体各部位的独立运动和潜在特征。此外，在目前的研究中，研究人员普遍对骨架序列中每一帧以及每个关节点都给予相同的重视。本文通过引入时空注意力机制，在时间维度上增强富含情绪的步态帧，同时在空间维度上关注情绪识别中更关键的骨架区域，以增强对关键信息的提取能力。最后，本文设计一个多粒度模块从细粒度和粗粒度两个层面提取步态特征，有效提高模型对悲伤和中性等步态特征不明显情绪的识别能力。本文在两个情绪步态数据集Emotion-Gai和ELMB上进行了实验，实验结果显示，所提出的模型在这两个数据集上的准确率分别达到了94.34%和94.57%，显著优于现有的方法。

关键词：分部图卷积时空注意力多粒度步态情绪识别

来源：评论

学校读者我要写书评

暂无评论

迭代Faster R-CNN的密集行人检测

引用

计算机工程与应用 2023年第21期59卷 214-221页

作者：贺宇哲徐光美何宁于海港张人晏康北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学智慧城市学院北京100101

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,... 详细信息

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,有效解决非极大值抑制(NMS)算法及其改进在选择精确度和召回率之间平衡点的难题。同时利用递归金字塔结构(RFP)进一步增强模型提取特征能力。在具有挑战性的WiderPerson和CrowdHuman数据集上进行训练和验证,实验结果表明,该模型相比Faster R-CNN在精度和召回率显著提升的同时,漏检率也明显降低。尤其在WiderPerson数据集上召回率、精度、漏检率等性能指标分别达到了97.65%、91.29%、40.43%的SOTA结果。

关键词：行人检测密集场景遮挡问题 Faster R-CNN 迭代方案

来源：评论

学校读者我要写书评

暂无评论

无锚框目标检测模型特征任务不对齐研究

引用

计算机工程与应用 2023年第11期59卷 151-159页

作者：郝帅征刘宏哲北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100101

通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素,模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差... 详细信息

通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素,模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题,也就是任务特征不对齐的问题。但是通用的目标检测后处理办法,仅以分类分数作为非极大抑制过程的标准,带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析,将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案:使用可变形卷积模块对检测模型头部网络的感受野进行微调,使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘,创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性,以及对不同特征提取骨干网络的鲁棒性。

关键词：目标检测深度学习无锚框检测器标签分配机制

来源：评论

学校读者我要写书评

暂无评论

面向校园场景视频监控的人体行为识别方法

引用

传感器与微系统 2025年第5期44卷 138-141页

作者：米家辉李鸿天袁家政北京联合大学北京市信息服务工程重点实验室北京100020 北京开放大学北京100081

校园内的异常行为检测目的是识别与正常校园行为模式不符的行为或事件,有助于提升校园安全管理水平。针对此类问题,本文提出了一种融合注意力机制的双流网络模型用于识别校园场景下的人体行为。模型以Inception v1网络作为基准模型,并... 详细信息

校园内的异常行为检测目的是识别与正常校园行为模式不符的行为或事件,有助于提升校园安全管理水平。针对此类问题,本文提出了一种融合注意力机制的双流网络模型用于识别校园场景下的人体行为。模型以Inception v1网络作为基准模型,并在残差模块中融合注意力机制。模型在Kinetics-400数据集上进行预训练,而后在校园场景数据集上进行训练和实验。实验对比了添加注意力机制模块的位置和数量差异对实验结果的影响。实验结果表明,本文模型能够有效检测出监控视频中的行为类别,所提出的方法准确率可达91.7%,较基准模型提升了4.5%。

关键词：深度学习注意力机制双流网络校园场景

来源：评论

学校读者我要写书评

暂无评论

基于改进ResNet-CrowdDet的密集行人检测算法

引用

计算机工程与应用 2023年第16期59卷 196-204页

作者：韩文静何宁刘圣杰于海港北京联合大学智慧城市学院北京100101 北京联合大学北京市信息服务工程重点实验室北京100101

行人检测在自动驾驶、客流量统计、智能监控等很多领域被应用。这些场景中行人大多是密集的,存在多尺度、多姿态和遮挡等问题,使得目前的密集行人检测算法存在检测精度较低、漏检率较高等问题。基于ResNet-50-FPN的CrowdDet算法可以解... 详细信息

行人检测在自动驾驶、客流量统计、智能监控等很多领域被应用。这些场景中行人大多是密集的,存在多尺度、多姿态和遮挡等问题,使得目前的密集行人检测算法存在检测精度较低、漏检率较高等问题。基于ResNet-50-FPN的CrowdDet算法可以解决密集遮挡问题,在CrowdHuman数据集上得到了很好的结果。以此为基线检测器,提出了改进算法。该算法包含两个模块,即BoINet(bottleneck involution network)的骨干网络和DHCDet(doublehead CrowdDet)的稀疏检测头部。与只使用了具有局域性和学习到静态参数的卷积的基线ResNet不同,BoINet将能够远距离交互的Involution动态卷积纳入到提取特征的任务中,增强行人特征的表达能力;DHCDet使用了DoubleHead结构改进CrowdDet算法,并将Double-Head中的自注意力机制NL(non-local)替换为SNL(spectral non-local),进一步提升检测器的分类与回归的性能。该改进方法在CrowdHuman数据集上AP为91.15%,MR-2为39.74%,同时JI为83.60%,取得了比基线检测器更好的检测精度和更低的漏检率。

关键词：密集行人检测增强特征表达 BoINet 提升分类回归性能 DHCDet

来源：评论

学校读者我要写书评

暂无评论

面向智能驾驶的行人多目标跟踪算法研究

引用

计算机工程与应用 2023年第15期59卷 206-213页

作者：闫晨阳刘宏哲徐成李学伟北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院脑与认知智能北京实验室北京100101

多目标跟踪(multi-object tracking,MOT)是智能驾驶场景中的一个研究热点,大多数现代MOT网络遵循“逐检测跟踪”范式,跟踪目标的轨迹关联是其中一个急需解决的热点问题。针对场景混乱以及意外的遮挡造成的对象重叠往往会导致遗漏检测,... 详细信息

多目标跟踪(multi-object tracking,MOT)是智能驾驶场景中的一个研究热点,大多数现代MOT网络遵循“逐检测跟踪”范式,跟踪目标的轨迹关联是其中一个急需解决的热点问题。针对场景混乱以及意外的遮挡造成的对象重叠往往会导致遗漏检测,进而增加了数据关联的难度等问题,提出融合注意力机制和无锚框检测的智能驾驶多目标跟踪算法PDTNet。将金字塔分割注意力模块融入深层聚合网络,提高多尺度特征的表示能力;设计一个简单Re-identification模块,将由无锚框检测器获得的目标检测与已有的跟踪轨迹相结合进行多步匹配,实现强鲁棒性的多目标跟踪。实验结果表明,在MOT16、MOT17数据集和BUUISE数据集上验证了算法的有效性,提高了多目标跟踪的检测准确率、关联准确率以及跟踪总精度等,在智能驾驶多目标跟踪场景中有很大应用。

关键词：多目标跟踪智能驾驶注意力机制深层聚合网络

来源：评论

学校读者我要写书评

暂无评论

改进分层合作A*的无人机交通管理中路径规划

引用

计算机工程与应用 2025年第6期61卷 361-368页

作者：陈明何宁宏晨肖明明景竑元北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学智慧城市学院北京100101 北京联合大学机器人学院北京100101

针对无人机交通管理中飞行前冲突探测与解脱问题,表示为一种新的多智能体路径规划扩展模型,提出一种连续时间分层合作A*(continuous-time hierarchical cooperative A*,CHCA*)算法。面向连续时间,智能体在度量空间中的位置之间以最大速... 详细信息

针对无人机交通管理中飞行前冲突探测与解脱问题,表示为一种新的多智能体路径规划扩展模型,提出一种连续时间分层合作A*(continuous-time hierarchical cooperative A*,CHCA*)算法。面向连续时间,智能体在度量空间中的位置之间以最大速度持续移动;考虑智能体的大小形状,以空间是否覆盖判定智能体冲突;优化搜索启发值计算。实验表明,CHCA*单次路径规划成功率高于CCBS,适合大规模智能体路径规划求解;在日本仙台2030无人机空运预测模型上仿真实验表明,对于一天内32887个随机请求,CHCA*算法规划成功率可达96%。

关键词：多智能体路径规划(MAPF) 无人机交通管理(UTM) 改进分层合作A*算法冲突探测冲突解脱连续时间

来源：评论

学校读者我要写书评

暂无评论

基于自身运动约束的RGB-D动态SLAM算法

引用

计算机工程与应用 2025年第8期61卷 173-182页

作者：张志铭张军刘元盛王子钰赵玉洁北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100101 北京联合大学城市轨道交通与物流学院北京100101

针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息... 详细信息

针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息不受动态环境影响的特性,计算每个特征点的自身运动约束值;根据背景特征点的特征约束结果设计了动态概率模型,自适应确定当前帧特征点约束的动态阈值,去除动态特征点并更新相机位姿。使用仿真数据集和真实环境数据集进行了实验验证。实验结果表明,在仿真数据集中,该方法能去除沿极线运动的特征点,相较于Dyna-SLAM,在均方根误差和标准差两项指标的提升率为87.81%和83.17%,相较于AirDos提升率分别为51.62%和41.91%。真实动态环境中重定位能力强于Dyna-SLAM,较AirDos无明显精度提升但运行速度提升29.48%。

关键词：动态环境视觉SLAM 多传感器融合 IMU预积分

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：