国产精品天干天干在线播放,大尺度揉捏胸床戏视频,樱花草www日本在线观看,狠狠躁夜夜躁人人爽天天天天97

Document
拖動滑塊完成拼圖
個人中心

預訂訂單
服務訂單
發布專利 發布成果 人才入駐 發布商標 發布需求

在線咨詢

聯系我們

龍圖騰公眾號
首頁 專利交易 科技果 科技人才 科技服務 國際服務 商標交易 會員權益 IP管家助手 需求市場 關于龍圖騰
 /  免費注冊
到頂部 到底部
清空 搜索
當前位置 : 首頁 > 專利喜報 > 恭喜交通運輸部公路科學研究所魏鑫磊獲國家專利權

恭喜交通運輸部公路科學研究所魏鑫磊獲國家專利權

買專利賣專利找龍圖騰,真高效! 查專利查商標用IPTOP,全免費!專利年費監控用IP管家,真方便!

龍圖騰網恭喜交通運輸部公路科學研究所申請的專利基于多階段注意力深度學習的風險道路場景識別方法獲國家發明授權專利權,本發明授權專利權由國家知識產權局授予,授權公告號為:CN114049532B

龍圖騰網通過國家知識產權局官網在2025-05-23發布的發明授權授權公告中獲悉:該發明授權的專利申請號/專利號為:202111309230.2,技術領域涉及:G06V10/774;該發明授權基于多階段注意力深度學習的風險道路場景識別方法是由魏鑫磊;劉應吉;周煒;夏海英設計研發完成,并于2021-11-06向國家知識產權局提交的專利申請。

基于多階段注意力深度學習的風險道路場景識別方法在說明書摘要公布了:本發明公開了一種基于多階段注意力深度學習的風險道路場景識別方法,其中該方法包括提出基于多階段注意力機制深度卷積神經網絡的風險道路場景識別模型結構,通過構建風險道路場景數據集,利用遷移學習構建基于多階段注意力機制深度卷積神經網絡的風險道路場景識別模型;實時采集車輛前進方向的場景圖像數據,利用構建的模型可以自動計算風險道路場景的類別似然值,通過求最大似然值確定場景的類別,可以有效判定車輛行駛經過的風險場景類型,從而提升行駛車輛的風險防控水平。

本發明授權基于多階段注意力深度學習的風險道路場景識別方法在權利要求書中公布了:1.一種基于多階段注意力深度學習的風險道路場景識別方法,包括如下步驟:1在汽車行駛過程中,攝像頭實時采集車輛前方圖像,利用視頻解碼器將所述圖像轉化為數字圖像信息,2利用線性差值法將所述步驟1采集的所述數字圖像信息變換為尺寸299×299×3的三維張量,3建立多階段注意力機制的深度卷積神經網絡,利用樣本對該網絡進行訓練,得到風險道路場景識別模型,4將步驟2變換得到的所述三維張量輸入到步驟3訓練好的所述風險道路場景識別模型,得到公路彎道、公路橋梁、公路隧道、公路坡道、公路鄰水和鄰崖公路6個場景類型的識別似然值,5取識別似然值最大的那個類別,即為識別出的場景類別;其中,所述多階段注意力機制的深度卷積神經網絡由輸入層、卷積網絡,殘差網絡和全連接層,依次連接組成,在所述卷積網絡和殘差網絡中分別加入注意力網絡;所述卷積網絡是由三個卷積塊順序連接而成,其中三個卷積塊的卷積核大小分別是3×3、3×3和2×2,三個卷積塊的激活函數都是PReLU函數,其中c是通道,xc是圖像的特征,ac是參數,三個卷積塊都采用批量標準化;且所述卷積網絡中的注意力網絡是在三個卷積塊之后依次連接通道注意力網絡、空間注意力網絡,之后又連接二維空間衰減層SpatialDropout2D和卷積核大小是1×1、激活函數是PReLU的卷積層,其中,通過將所述注意力網絡的輸出和所述三個卷積塊的輸出進行相加,得到的輸出結果再順序輸入到所述二維空間衰減層SpatialDropout2D和卷積核大小是1×1、激活函數是PReLU的卷積層作為注意力機制輸出特征的過濾;所述殘差網絡包括7層順序連接的殘差網絡結構,其中前6層的殘差網絡結構是:每一層殘差網絡的輸入和輸出進行疊加,輸入到最大池化層MaxPooling2D中,如此重復6次形成前6層殘差網絡結構,第7層的殘差網絡結構是將注意力網絡的輸出和第7層殘差網絡的輸出疊加之后輸入到全局最大值池化層,輸出值再輸入到全連接層,生成6維向量后再采用批標準化獲取特征,然后采用隨機衰減算法選擇60%的神經元的輸出組成特征向量,最后采用softmax函數作為分類器,x是全連接層的輸出特征,θ是分類器參數通過訓練取得,通過取6個softmax函數的值得到6個類的分類似然值,然后取似然值最大值的類別為該樣本的最終的分類結果。

如需購買、轉讓、實施、許可或投資類似專利技術,可聯系本專利的申請人或專利權人交通運輸部公路科學研究所,其通訊地址為:100088 北京市海淀區西土城路8號;或者聯系龍圖騰網官方客服,聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。

免責聲明
1、本報告根據公開、合法渠道獲得相關數據和信息,力求客觀、公正,但并不保證數據的最終完整性和準確性。
2、報告中的分析和結論僅反映本公司于發布本報告當日的職業理解,僅供參考使用,不能作為本公司承擔任何法律責任的依據或者憑證。
主站蜘蛛池模板: 仪征市| 虹口区| 南阳市| 金华市| 江孜县| 油尖旺区| 九寨沟县| 瑞安市| 监利县| 攀枝花市| 越西县| 沙雅县| 鄂尔多斯市| 靖州| 衡阳县| 大化| 镇远县| 新宾| 静海县| 达尔| 晋江市| 乾安县| 青州市| 乡宁县| 宿迁市| 平泉县| 湘乡市| 河东区| 汶上县| 达日县| 海盐县| 常山县| 高青县| 宁强县| 正镶白旗| 英德市| 二连浩特市| 思南县| 曲水县| 勐海县| 周至县|