基于双路式卷积神经网络的车辆与行人检测

针对低能见度状态下对车辆与行人的视觉特征难以提取的问题, 提出一种将2路卷积神经网络融合从而实现对车辆与行人识别的方法。采用高斯背景差分法实现图像去模糊, 在双路网络中分别采用不同尺寸的滤波器, 调整滤波器的大小得到不同环境下图片的特征值, 采用反向传播算法计算梯度。实验结果显示, 与单路式卷积神经网络对比, 在能见度低的环境中, 该方法对车辆的辨识率提高至83.49%, 对行人的辨识率提高至87.36%, 表明在低能见度环境中, 双路式卷积神经网络识别准确率高于单路式卷积神经网络。     

基于自编码器及超图学习的多标签特征提取

在实际应用场景中越来越多的数据具有多标签的特性,且特征维度较高,包含大量冗余信息.为提高多标签数据挖掘的效率,多标签特征提取已经成为当前研究的热点.本文采用去噪自编码器获取多标签数据特征空间的鲁棒表达,在此基础上结合超图学习理论,融合多个标签对样本间几何关系的影响以提升特征提取的性能,构建多标签数据样本间几何关系所对应超图的Laplacian矩阵,并通过Laplacian矩阵的特征值分解得到低维投影空间.实验结果证明了本文所提出的算法在分类性能上是有效可行的.     

基于GPU并行加速的多特征融合的超图降维方法

基于图的学习方法目前广泛用于降低特征维度。然而,对于多特征数据而言,不同特征之间的不同关联性很难结合到单个图中。针对多特征数据提出了新的半监督降维方法。首先,以超图中的超边作为片,使超图应用到片对齐框架中。然后,通过统计片中相邻的特征对的距离计算超边的权重,使得不同特征下的片得到结合。其次,由于欧氏距离和矩阵乘法的计算在拉普拉斯矩阵的构造过程中占用了大部分的时间,因此使用GPU对其进行加速。实验结果表明了所提方法在分类性能和学习速度上的提升效果。     

金字塔评分改进主方向模板匹配的实时目标检索

传统的基于内容的目标检索方法一般通过提取和比较局部特征,往往计算复杂度较高而且需要进行离线训练。因此,以最新的主方向模板(DOT)特征为基础提出新的实时目标检索方法。同时,利用搜索窗口中网格得分的空间分布情况构造相似度映射图,并采用多层次金字塔评分去除网格得分较为分散的错误窗口。利用以上改进实现的目标检索方法,真正能够无须离线训练即可从输入视频直接得到检索结果。实验结果表明,本文方法在提升检索性能的同时仍然保持主方向模板匹配的实时处理能力。     

结合胶囊网络和卷积神经网络的目标识别模型

通过改进动态路由和压缩函数的方式对Hinton等的胶囊网络模型进行改进。运用了加强数据集的方法,增加了数据集的大小,在一定程度上避免了过拟合现象的发生。通过实验表明,改进后的胶囊网络模型在结构上有了简化,在效率上比未改进的模型有了明显的提高。在改进的胶囊网络模型基础上,提出了将改进后的胶囊网络与卷积神经网络相结合的网络模型。该模型训练准确率达到97.56%,模型评估准确率达88%。     

一种适用于车联网环境的车载CAN信号打包算法

车联网技术在汽车上的广泛应用促使现代汽车朝着电子化、网络化和集成化的方向快速发展,在车联网技术快速发展的同时,出现了车载CAN网络中数据量骤增以及带宽受限的问题.因此,如何优化带宽利用率成为车联网技术中CAN网络系统设计的关键所在.针对该问题,研究了CAN网络系统设计方面的信号打包问题：首先,依据周期对信号进行分簇和排序;然后,结合提出的两个空闲带宽评价指标,提出了基于信号簇的启发式信号打包算法CSP,以实现带宽利用率的最优化;最后,通过与现有研究成果的对比分析,证明了CSP算法在带宽利用率优化方面最优.与相关算法相比,CSP可实现的带宽利用率的优化率的平均值和最大值的范围分别为[0.5%,6.4%]和[2.4%,22.65%].