CN109034192B - 一种基于深度学习的轨道-车体振动状态预测方法 - Google Patents
一种基于深度学习的轨道-车体振动状态预测方法 Download PDFInfo
- Publication number
- CN109034192B CN109034192B CN201810637027.XA CN201810637027A CN109034192B CN 109034192 B CN109034192 B CN 109034192B CN 201810637027 A CN201810637027 A CN 201810637027A CN 109034192 B CN109034192 B CN 109034192B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle body
- image
- data
- vibration state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于铁路安全运行控制技术领域,具体的说是涉及一种基于深度学***顺数据转化成RGB图像数据以构建训练集;构建CNN网络结构;将训练集输入CNN网络,对CNN网络进行训练;将待识别的轨道不平顺数据转化成轨道不平顺图像样本,输入到训练好的CNN模型进行车体振动状态预测。本发明的有益效果是:区别于传统的基于机器学***顺数据用于对CNN网络的训练,能够自动提取到有利于轨道‑车体振动状态分类任务的特征,避免了复杂的特征提取、选择过程。
Description
技术领域
本发明属于铁路安全运行控制技术领域,具体的说是涉及一种基于深度学习的轨道-车体振动状态预测方法。
背景技术
中国铁路事业快速发展,对轨道的稳定、安全和耐久性也提出了更高的要求。高铁速度的不断提升,车体和轨道之间的相互作用也更加强烈,使得车体对轨道的动力破坏也更加严重,同时轨道状态恶化又反过来威胁着列车的运行安全。因此,结合轨道几何不平顺和车体动态响应的综合轨道状态分析具有重要研究价值。
目前关于轨道-车体振动响应的分析研究,普遍是从传统的轨道-车辆耦合动力学角度出发建立耦合关系动力模型。然而由于车辆和轨道之间作用的复杂性,轨道-车辆动力学***的精确模型复杂且难以获得,其准确性直接影响分析结果,同时由于现实情况下外界环境、车辆负载等因素十分复杂,不得不简化分析模型,因此用实测数据建立轨道-列车振动状态的分析模型就至关重要。从实测轨道不平顺数据出发建立轨道-车体响应的研究还较少,陈宪麦等使用朔黄铁路时速70KM/h-90KM/h的轨道不平顺数据构造了车体振动状态的PCA-SVM综合分类器,可以实现车体振动所处状态的预测。利用传统的机器学习方法对轨道-车体振动状态预测,需要人工进行特征提取和特征选择,其过程复杂且严重影响预测结果。
现如今深度学习在图像识别、语音识别、自然语音处理等多个领域取得了优秀的成绩。如今流行的深度学习模型有深度信念网络(Deep Belief Neural Networks,DBN)、循环神经网络(Recurrent Neural Networks,RNN),卷积网络(Convolutional NeuralNetworks,CNN)等。CNN的历史始于神经科学实验,远早于相关计算模型的发展,神经生理学家Hubel和Wiesel研究哺乳动物视觉***工作机制最终获得诺贝尔奖。
近年来CNN被广泛的应用于图像分类问题中。YannLecun最先将CNN用于手写数字识别并在该问题研究一直保持霸主地位。Krizhevsky在LSVRC-12竞赛中使用深度CNN模型(AlexNet),并采用RELU+Dropout技术取得竞赛冠军。2014年Szegedy等设计了更深的CNN网络,搭建了一个22层的CNN网络(GoogleNet),GoogleNet使用(1 1,3 3,5 5)三种卷积核的结构,对网络中的传统卷积层进行了修改,增加网络深度和宽度,提高深度神经网络性能,其参数为AlexNet的1/12。GoogleNet在SVRC-14中取得第1名,但是其只能接受固定大小的输入,同期比赛的第3名He等提出了一种SPP-net结构,其不要求固定大小因此模型训练前不需要对图片进行缩放裁剪,该模型在第一个全连接层和最后一个池化层加入了一种空间金字塔池化的结构(Spatial Pyramid Pooling,SPP)。该结构的作用是使CNN不同的输入大小产生相同的输出大小。由于其在网络加深的过程中会产生性能下降的问题,He等进一步提出残差神经网络(Deep Residual Learning,ResNet)解决了性能下降的问题。
不仅仅是在图像识别领域,CNN在其他多个领域如图像跟踪、图像语义分割、自然语言处理等都有广泛的应用。王勇等针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题,提出一种基于CNN的流量分类算法,通过公开数据集和实际数据集的系列仿真实验测试结果表明,与传统分类方法相比该算法基于改进的CNN流量分类方法不仅提高了流量分类的精度,而且减少了分类所用的时间。李丽双等提出一种基于CNN-BLSTM-CRF的神经网络模型。该模型利用CNN训练出具有形态特征的字符级向量,再构建适合生物医学命名实体识别的BLSTM-CRF深层神经网络模型,实验结果表明,不依赖任何人工特征在两个生物预料上达到了目前最好识别结果。Xu等提出了一种基于自学习CNN框架的短文本聚类方法,该方法通过无监督的学习方式,可灵活运用语义特征和学习无偏的深度文本特征。
通过以上研究课题分析表明CNN处理网格数据(图像是二维网格数据)具有强大的优势。轨道不平顺数据包括水平、高低等多项测量指标,其在空间上展开也是网格数据,因此借助CNN的表征能力自动提取轨道不平顺特征,用于轨道不平顺到车体振动状态的分类预测。
发明内容
本发明所要解决的,就是针对传统机器学习预测方法特征提取、特征选择过程复杂且其严重影响预测结果的问题,借助深度学习方法自动提取特征简化建模过程,提出了一种基于深度学习的轨道-车体振动状态预测方法。
本发明采用的技术方案是:
一种基于深度学习的轨道-车体振动状态预测方法,包括如下步骤:
步骤1:将二维的轨道不平顺数据转化成RGB图像数据以构建训练集。
步骤1.1:提取不平顺数据中车体振动垂直加速度,计算车体振动的垂直加速绝对均值x(i)的均值μ,标准差σ。
步骤1.2:对轨道不平顺数据划分单元构造原始训练样本,本发明以15米为一个研究单元,对每个轨道单元的左高低、左轨向、右高低、右轨向、超高、曲率、轨距、三角坑和速度这9项不平顺数据提取特征,根据轨道单元垂直加速度的绝对均值将车体振动状态划分等级当作标签(预测目标),具体划分过程包括如下步骤:
1)对轨道不平顺数据划分单元得到轨道单元特征矩阵,将轨道不平顺的9项数据划分成15米(轨检车每米采集4个数据点)的单元,最得到9行60列的特征矩阵。
2)标签设置:计算每个轨道单元的车体振动状态:本发明使用σ,2σ和3σ为阈值,根据每个区段的垂直加速的绝对均值的大小,将车体振动状态划分成4个等级(优,良,中,差)作为标签。
步骤1.3:将原始训练样本转化成图像训练样本即将每个轨道单元的特征矩阵转化成RGB图像,具体步骤如下:
1)利用Python中的PIL库将9行60列的矩阵转换成RGB颜色空间的彩色图像,图像存储格式为[M,N,3],表示图像为3个通道,每个通道M×N像素。
2)利用PIL库的resize方法将轨道不平顺图像数据每个通道缩小到32×32像素。
3)对轨道不平顺图像进行标准化,标准化公式如下:
其中X为图像矩阵,u为训练集图像像素的均值,δ为标准差。
步骤2:构建的CNN网络结构如图2所示:
1)输入层:32×32像素的轨道不平顺图像样本。
2)中间结构包括:卷积层,Dropout层,卷积层,降采样层,卷积层,卷积层,卷积层,Dropout层,卷积层,卷积层,卷积层,将采样层,全连接层;共8个卷积层(卷积大小是5×5,卷积过程每次移动1个像素,激活函数为:RELU),2个将采样层(MaxPooling,大小为2×2)和2个Dropout层(参数值都为0.5),1个全连接层(4个节点);为保存图像的边缘信息,每次卷积在当前层矩阵的边界加入全0填充,使卷积前后的图像尺寸保持相同。
3)输出层:多分类softmax分类器。
步骤3:将训练集输入CNN网络,对神经网络参数进行训练,以每批128个样本进行训练,标签使用交叉熵损失函数计算损失进行反向传播,通过Adam优化器优化学习率,训练模型直到达到预设迭代次数。
步骤4:将待识别的轨道不平顺数据转化成轨道不平顺图像样本,输入到训练好的CNN模型进行车体振动状态预测。
本发明的有益效果是:
区别于传统的基于机器学习方法的轨道-车体振动状态预测方法,本发明有效降低了建模的复杂度。
本发明方法只需提供原始轨道不平顺数据用于对CNN网络的训练,能够自动提取到有利于轨道-车体振动状态分类任务的特征,避免了复杂的特征提取、选择过程。
本发明方法通过对CNN网络结构参数优化,能够在保证预测精度的前提下提升预测效率,具有较高的实用性。
附图说明
图1是轨道不平顺数据图像表示结果图;
图2是CNN网络结构图。
具体实施方式
在发明内容部分已经对本发明的技术方案进行了详细描述,在此不再赘述。
Claims (2)
1.一种基于深度学习的轨道-车体振动状态预测方法,其特征在于,包括如下步骤:
S1、将二维的轨道不平顺数据转化成RGB图像数据以构建训练集;具体方法为:
S11、提取不平顺数据中车体振动垂直加速度,并计算垂直加速度绝对均值μ,标准差σ;
S12、对轨道不平顺数据划分单元构造原始训练样本,对每个轨道单元的左高低、左轨向、右高低、右轨向、超高、曲率、轨距、三角坑和速度这9项不平顺数据提取特征,根据轨道单元垂直加速度的绝对均值将车体振动状态划分等级当作标签;具体方法为:
S121、对轨道不平顺数据划分单元得到轨道单元特征矩阵Xr×c,其中r为矩阵行数表示待提取特征的轨道不平顺指标数量,c为矩阵列数表示轨道不平顺数据在空间上采样的点数;将轨道不平顺的9项数据划分成15米的单元,并设定轨检车每米采集4个数据点,得到9行60列的特征矩阵X9×60;
S122、标签设置:计算每个轨道单元的车体振动状态:以σ,2σ和3σ为阈值,根据每个区段的垂直加速的绝对均值的大小,将车体振动状态划分成4个等级作为标签;
S13、将原始训练样本转化成图像训练样本,即将每个轨道单元的特征矩阵转化成RGB图像;
S2、构建CNN网络结构;
S3、将训练集输入CNN网络,对CNN网络进行训练;
S4、将待识别的轨道不平顺数据转化成轨道不平顺图像样本,输入到训练好的CNN模型进行车体振动状态预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637027.XA CN109034192B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的轨道-车体振动状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637027.XA CN109034192B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的轨道-车体振动状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034192A CN109034192A (zh) | 2018-12-18 |
CN109034192B true CN109034192B (zh) | 2022-03-08 |
Family
ID=64609772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810637027.XA Expired - Fee Related CN109034192B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的轨道-车体振动状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034192B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949290B (zh) * | 2019-03-18 | 2021-02-26 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN110789566B (zh) * | 2019-11-11 | 2021-01-12 | 成都西交智众科技有限公司 | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 |
CN113358053B (zh) * | 2021-04-27 | 2023-02-24 | 中车青岛四方机车车辆股份有限公司 | 轨道不平顺检测评估***、方法、电子设备及轨道车辆 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5582346A (en) * | 1994-03-29 | 1996-12-10 | Railway Technical Research Institute | Ladder-type sleepers and railway tracks |
CN101753364A (zh) * | 2008-12-11 | 2010-06-23 | 财团法人工业技术研究院 | 设备状态分析预测以及资源分配方法与*** |
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN104260754A (zh) * | 2014-10-08 | 2015-01-07 | 南京理工大学 | 基于轴箱振动加速度的轨道高低不平顺预测***及方法 |
CN104794312A (zh) * | 2015-05-15 | 2015-07-22 | 西南交通大学 | 轨道平顺状态的评定方法及装置 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106725401A (zh) * | 2017-01-12 | 2017-05-31 | 成都信息工程大学 | 基于深度学习的自动血压测量方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及*** |
CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
CN108698622A (zh) * | 2016-03-15 | 2018-10-23 | 新日铁住金株式会社 | 轨道状态评价方法、装置以及程序 |
-
2018
- 2018-06-20 CN CN201810637027.XA patent/CN109034192B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5582346A (en) * | 1994-03-29 | 1996-12-10 | Railway Technical Research Institute | Ladder-type sleepers and railway tracks |
CN101753364A (zh) * | 2008-12-11 | 2010-06-23 | 财团法人工业技术研究院 | 设备状态分析预测以及资源分配方法与*** |
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN104260754A (zh) * | 2014-10-08 | 2015-01-07 | 南京理工大学 | 基于轴箱振动加速度的轨道高低不平顺预测***及方法 |
CN104794312A (zh) * | 2015-05-15 | 2015-07-22 | 西南交通大学 | 轨道平顺状态的评定方法及装置 |
CN108698622A (zh) * | 2016-03-15 | 2018-10-23 | 新日铁住金株式会社 | 轨道状态评价方法、装置以及程序 |
CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及*** |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106725401A (zh) * | 2017-01-12 | 2017-05-31 | 成都信息工程大学 | 基于深度学习的自动血压测量方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
Non-Patent Citations (4)
Title |
---|
Optimized vehicle acceleration measurement for rail track condition;Chellaswamy C等;《2017 2nd International Conference on Computing and Communications Technologies (ICCCT)》;20171231;第155-160页 * |
基于径向基函数神经网络的轨道交通车辆振动状态预测;李立明等;《城市轨道交通研究》;20171231;第20卷(第12期);第18-21页 * |
基于神经网络的轨道车辆振动预测;耿松等;《计算机测量与控制》;20141231;第22卷(第11期);第3525-3527、3535页 * |
基于递阶神经网络的轨道车辆振动状态预测;耿松等;《城市轨道交通研究》;20151231;第18卷(第12期);第94-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034192A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399850B (zh) | 一种基于深度神经网络的连续手语识别方法 | |
CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN109034192B (zh) | 一种基于深度学习的轨道-车体振动状态预测方法 | |
CN103984959A (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN110427846A (zh) | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 | |
CN109214001A (zh) | 一种中文语义匹配***及方法 | |
CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
CN110909736A (zh) | 一种基于长短期记忆模型与目标检测算法的图像描述方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及*** | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、***及介质 | |
CN115049534A (zh) | 基于知识蒸馏的鱼眼图像实时语义分割方法 | |
CN111507413A (zh) | 一种基于字典学习的城市管理案件图像识别方法 | |
CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
CN111401156A (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN115880529A (zh) | 基于注意力和解耦知识蒸馏的鸟类细粒度分类方法及*** | |
CN115410258A (zh) | 基于注意力图像的人脸表情识别方法 | |
Yang et al. | C-RPNs: Promoting object detection in real world via a cascade structure of Region Proposal Networks | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220308 |
|
CF01 | Termination of patent right due to non-payment of annual fee |