场景分类

摘要： 随着5G建设不断推进,4G建设投资压缩,在4G/5G更迭期内,4G需求在特殊场景区域依然旺盛,因此对4G网络资源挖潜工作迫在眉睫。本文提出基于分场景的4G基站资源拆闲优化方案,对于复杂组网的情况,按照场景不同将全网基站进行细化分类,针对每一类场景给出闲小区判断标准,并对拆闲基站负荷评估进行了讨论。在确保用户感知的前提下,盘活存量网络资源,满足新增覆盖和容量需求,同时有效节约建设成本和维护成本,提升投资效益和资源利用率。

摘要： 在目标跟踪中,目标本身容易发生变化,且目标的运动场景是复杂多样的,而不同网络训练的跟踪模型在跟踪同一场景的目标性能会有较大差异,进而使很多算法的跟踪效果不太理想。针对这一问题,文章提出了一种基于目标运动场景分类的目标跟踪方法,解决了单一模型在应对目标处于不同复杂场景中性能不稳定的问题。该算法利用残差网络对目标运动场景进行分类,并且使用迁移学习提高了分类的准确率,之后选取合适的网络模型对目标进行跟踪。在UAV123数据集上与原始的单一模型进行对比实验的跟踪结果表明,改进的算法能够有效地提高目标跟踪的成功率和精度,在OTB100数据集上与其他跟踪器进行比较,跟踪效果均优于其他跟踪器。

摘要： 探索用户场景的分类及应用,构建交互设计策略模型。通过阐述交互设计要素与场景要素的关系,推导出场景化交互要素。总结在不同视角下设计领域的场景分类及应用,通过与交互设计流程的结合,引入场景层级思维进行场景的结构化分类。结合场景化交互要素,提出了基于交互设计流程的场景层级分类方法,并构建了一套基于用户场景的交互设计策略模型。该策略模型可以为整合不同定义的场景分类与交互设计方法的拓展提供新思路与参考。

摘要： 针对遥感图像背景复杂及有监督场景分类算法无法利用无标签数据的问题,提出一种基于生成对抗网络的半监督遥感图像场景分类方法。首先,引入谱归一化残差块代替传统生成对抗网络中的二维卷积,利用残差块的跳跃连接解决梯度消失问题;其次,引入特征融合思想,将浅层特征与深层特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加入结合门控的注意力模块,以增强特征判别能力。在EuroSAT和UC Merced数据集上的实验结果表明,该方法能够有效提取判别力更强的特征,提高半监督分类性能。

摘要： 随着深度学习的发展,卷积神经网络在图像领域的应用优势越来越显著。为了解迁移学习中不同模型迁移方法的迁移特性,更好地利用深度学习方法完成遥感影像场景分类任务,对比分析了Pytorch深度学习框架下微调网络和冻结网络参数,以及在不同深度残差网络(ResNet)上模型迁移训练的特征,并在UC Merced Land-Use、RSSCN7和NWPU-RESISC45数据集中对这2种方法进行测试。测试结果表明,参数迁移的方法能够很好地完成遥感影像场景分类任务。其中微调网络方法参数迁移训练的模型鲁棒性、泛化能力更好,但需要耗费更多计算资源与训练时间;冻结网络参数方法训练的模型参数较少,能够更快地完成网络训练,但训练模型的泛化能力不如微调网络方法。当深度学习框架提供的预训练模型不能满足实际应用时,可以选择与目标任务相关性更高的源域训练的模型进行参数迁移,来满足实际的应用需求。本实验结果能为基于迁移学习的遥感影像场景分类在方法、模型、数据集等方面的选择上提供参考。

摘要： 自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。

摘要： 由于遥感场景固有的语义特征,深度学习在场景分类中具有突出的语义特征提取能力,近年来得到了广泛的研究。然而,现有的基于深度学习的方法大多没有精细描绘场景几何形状,而是利用固定大小的滑动窗口来对影像分类,这些窗口可能由多种场景类型的混合像元组成,导致场景识别的可分离性低,细节粗糙,分类精度低。针对这一问题,将简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)与迁移学习相结合,实现场景斑块的精确分类,进一步提高场景变化检测的准确性。首先基于SLIC算法,考虑强度分布的相关性,将遥感影像分割成多尺度斑块;其次利用Xception模型结合迁移学习网络从多尺度斑块中提取深度语义特征,并基于softmax分类器计算概率,从而判别场景斑块的类别;最后,基于场景分类的结果提取地物的变化信息。实验结果表明,该方法能够适应不同尺度的场景识别,达到利用窗口网格检测方法的最高水平,提高了场景变化检测的精度和效率。

摘要： 针对光学遥感场景图像存在由空间模式复杂、类间相似度大和同类多样性高导致的模型分类准确度受限的问题,提出一种基于多级别跨层双线性融合的光学遥感场景分类算法。首先从ResNet50模型中提取多层次特征信息,将膨胀卷积的扩张率设置为不同数值来提取多个空间尺度下的上下文特征,通过串行融合多尺度特征丰富特征信息的场景语义。为了充分利用低层、高层、全局上下文特征信息的互补优势,提出多级别注意力特征融合模块,有效增强模型的特征提取能力。最后采用跨层双线性融合方法对多级别特征进行分层融合,融合后的特征用于分类。通过在三个公开的遥感数据集UCM、AID和PatternNet上进行广泛试验,验证了所提方法的可行性,与其它先进的场景分类方法相比,该方法实现了更加优异的分类性能。

摘要： 自动紧急制动是汽车安全行驶的重要保障,也是汽车智能化关键技术研究的重点和难点。针对传统防撞时间(Time To Collision,TTC)模型在复杂工况下,本车与目标车车辆速度接近时易出现无限大的问题导致预警过早或过晚的问题,以四轮独立驱动电动汽车为研究对象,提出一种基于二阶TTC的自动紧急制动模型。将目标车按照场景分为静止、ACC和Cut-in等三种类型,通过二阶TTC计算到可能碰撞时间,并与预设的时间阈值进行对比,力矩分配控制器根据当前输入信息计算得到制动力矩并传给车辆执行机构,车辆根据当前信息进行减速或紧急等辅助措施。利用联合仿真对该紧急制动模型进行了验证,结果表明当目标车存在加速度的情况下,该自动紧急制动模型相较与传统一阶TTC紧急制动模型能够很好地进行制动,防止车辆碰撞,并能有效适应复杂工况。

摘要： 场景分类对于场景图像的语义解译至关重要,是遥感领域近期的主要研究课题之一。针对大部分图像分类方法中提取的特征结构单一,依赖于大量人工标记的数据以及分类器的训练过程缓慢等问题,提出了一种基于多特征融合与约束极限学习机(constrained extreme learning machines,CELM)的场景图像分类方法。该方法采用三种不同结构的预训练卷积神经网络,利用特定数据集对其进行微调,将微调后网络提取到的三种特征进行融合并送入CELM分类器进行分类,最终得到图像的类别标签。以SIRI-WHU、WHU-RS19与UC-Merced数据集作为实验数据集,在预训练卷积神经网络、单一特征和传统分类器上进行的对比实验表明,基于多特征融合与CELM相结合的方法产生了较好的分类效果,三种数据集上的总分类精度分别高达99.25%、98.26%与97.70%。

摘要： 遥感图像场景分类是高分辨率遥感图像解译中的重要研究课题.面对已标注遥感图像样本缺乏造成的小样本问题,文中利用迁移学习思想,提出了基于Inception-v3模型的遥感图像场景分类算法框架,设计了3种分类方案5种分类算法.在遥感图像场景分类数据库中,文中算法取得了91.32％的分类准确率,相比传统机器学习方法,有效提高了遥感图像场景分类的精度,同时证明了结合知识迁移的深度卷积神经网络模型在遥感图像场景分类领域的可行性.

摘要： 遥感图像场景分类是遥感领域中非常重要且具有挑战性的研究课题之一,在对遥感图像的目标识别、图像增强、图像检索等任务中有着非常重要的作用.针对传统方法需要人工显式的进行特征提取的局限性,本文借助深度卷积神经网络(Deep Convolutional Neural Network,DCNN)能够自动的从图像中学习得到有用特征的优势,提出一种基于DCNN的遥感图像场景分类方法.方法设计了一种面向遥感图像场景分类的DCNN模型,并详细地分析了该模型的结构以及模型推断,最后利用高分辨遥感图像数据集进行了实验与分析.实验结果表明,本文方法能够有效地提高遥感图像场景分类的精度.

摘要： 高分辨率遥感影像场景分类越来越受到人们关注,然而,传统的方法如词袋模型、主题模型都基于人工设计的特征,需要人工设计.该文先利用卷积神经网CNN(Convolution Neural Network)对原始数据提取特征,然后利用softmax基于CNN提取出来的特征进行分类.实验结果表明,CNN可以对遥感影像进行有效的场景分类.

摘要： 图像分类是图像处理领域一个热点方向.雾对图像的场景产生了较大的影响,也可以认为雾的加入破坏了原有的场景,产生了新的场景,因此对雾天场景进行分类具有重要的意义.本文提出了一种基于码书的雾天图像场景分类算法.首先分块提取图像的自然场景统计特征,通过K-means聚类形成码书,用码书将图像编码成特征向量,利用SVM对雾天图像进行训练,然后对它们进行雾等级的划分.实验结果反映出本文的算法可以有效地对雾天场景进行分类.

摘要： 遥感图像的场景分类是学习和发现图像与场景语义内容标签的一个映射过程.根据图像特征提取的层次,场景分类可分为低层特征描述和中层特征描述的两大主流方法.基于视觉词袋模型无需分析场景具体目标组成,根据场景统计特性建立视觉单词,然后利用文本相关模型来处理图像内容的表示.考虑图像空间关系、尺度和层次关系、上下文关系可获得有效的描述场景的视觉单词.rn 在大脑对感知外界环境的神经结构与认知功能的相关研究基础上构建仿脑的MNCC模型，并实现基于MNCC的高分辨率遥感图像场景分类算法。在标准的高分遥感图像场景数据集上的实验结果表明，本算法在场景分类准确度具备一定的优势。虽然模型采用增量学习可显著地降低算法的运行时间，但MNCC算法本身尚有较大的并行处理的改进空间，进一步工作将研究基于GPU和多核的并行运算以提升算法性能。

摘要： 针对场景分类问题中,传统的“词包”模型不包含图像的上下文信息,且没有考虑图像特征间的类别差异问题,本文提出一种多方向上下文特征结合空间金字塔模型的场景分类方法。该方法首先对图像进行均匀网格分块并提取尺度不变(SIFT)特征,对每个局部图像块分别结合其周围三个方向的空间相邻区域,形成三种上下文特征；然后,将每类训练图像的上下文特征分别聚类形成视觉词汇,再将其连接形成最终的视觉词汇表,得到图像的视觉词汇直方图；最后,结合空间金字塔匹配算法形成金字塔直方图,并采用SVM分类器来进行分类。该方法将图像块在特征域的相似性同空间域的上下文关系有机地结合起来并加以类别区分,从而形成了具有更好区分力的视觉词汇表。在通用场景图像库上的实验表明,相比传统方法具有更好的分类性能。

摘要： 通过行驶记录仪采集自然驾驶中的危险工况,在基于场景分类后进行工况的数据统计,并通过主观评价对工况危险度进行分级,基于此结果选取发生率最高的4类工况,定义其危险区间段并进行速度、加速度、时间等参数提取分析,最后得到不同工况分类及危险度级别的参数统计特性和对比结果。

摘要： 为了实现城市区域内室外场景的快速分类，提出了一种基于视觉注意力选择机制的显著建筑物区域检测方法，该方法首先通过Gabor算子对图像进行滤波，得到水平方向与垂直方向的联合增强图像，然后利用基于相位傅里叶变换(PFT)的显著性映射算法提取视野中的显著建筑物候选区域，最后通过方向直方图判别算法去除干扰目标，并采用CV（Chan-Vese)模型实现显著建筑物区域的分割，该方法在注意力选择机制及建筑物方向特征的基础上，提取具有场景代表性的建筑物区域信息，增强了算法的时效性和场景分析能力，同时实现了区域信息在像素级上的精确检测，并将其应用于美国南加州大学的多类室外场景数据库，实验结果表明，显著建筑物区域检测方法在检测结果、计算速度和鲁棒性等方面均取得了较为满意的效果。

摘要： 针对传统方法对过分割未作处理以及边界语义上下文信息不强的缺点，对水陆场景图像进行区域分类，得到描述大尺度地物分布的分类结果。该方法分为3个过程：首先对图像进行纹理特征聚类,得到初始分割结果；然后对分割图像进行区域合并；最后利用边缘密度作为区域的特征,通过对大量样本的统计分析，确定一个经验值作为分类阈值，根据阈值将各个区域标记为水域或陆地，从而得到原始图像的水陆分布。与传统方法的对比实验表明：本方法保证语义正确的同时,计算效率有较大提高，实现了场景的快速分类。

摘要： 针对传统方法对过分割未作处理以及边界语义上下文信息不强的缺点，对水陆场景图像进行区域分类，得到描述大尺度地物分布的分类结果。该方法分为3个过程：首先对图像进行纹理特征聚类,得到初始分割结果；然后对分割图像进行区域合并；最后利用边缘密度作为区域的特征,通过对大量样本的统计分析，确定一个经验值作为分类阈值，根据阈值将各个区域标记为水域或陆地，从而得到原始图像的水陆分布。与传统方法的对比实验表明：本方法保证语义正确的同时,计算效率有较大提高，实现了场景的快速分类。

摘要： 本发明教导将区块集合应用到低保真分类器中以确定描述类别集合中的一个或多个对象的候选区块集合，该区块集合跨越道路场景图像的下采样版本。下采样版本的候选区块集合可以被映射到图像高保真版本中的潜在扇区集合。高保真分类器可以被用于设置潜在扇区集合，确定来自类别集合的一个或多个对象的存在。低保真分类器可以包括第一卷积神经网络(CNN)，第一卷积神经网络在类别集合的对象的裁剪图像的下采样版本的第一训练集合上训练。类似地，高保真分类器可以包括第二CNN，第二CNN在类别集合的对象的裁剪图像的高保真版本的第二训练集合上训练。

摘要： 提供了一种用于使用场景检测模式来对机动车辆的感知场景图中的对象进行分类的方法和系统。场景检测模式包括收集关于车辆周围的区域的传感器信息，包括捕获区域的图像；处理传感器信息以生成感知场景图(PSG)；通过分析捕获的图像来检测多个对象；将检测对象与参考对象进行比较；基于匹配参考对象对检测对象进行分类；以及将优先级分配给每个分类的对象。以比具有较低优先级的对象更高的频率重复对具有较高优先级的对象进行检测和分类的步骤。如果对象位于PSG的聚焦区中，则对象被分配较高的优先级。每次重复后，通过更新对象的分类来提高聚焦区的保真度。

摘要： 本发明提供了一种基于场景分类和多尺度特征融合的复杂场景人群计数方法。首先，标注并建立密度等级数据集；然后，利用建立的数据集分别对分类、稀疏估计和密集估计子网络进行预训练；接着，结合自标记机制，利用测试数据集对网络再次进行训练；最后，将图片输入到训练好的网络，利用分类权重对两种密度估计结果进行加权后得到人群密度图。采用本发明方法可以解决由于拍摄角度不同导致的图片尺度畸变和人群分布不均问题，具有更高的估计准确度和更强的鲁棒性。

摘要： 本发明涉及一种基于场景分类和超分辨率的场景文字识别方法，通过构建c‑ssd和sr‑rcnn网络，对其对应的卷积层参数分别初始化，扩张数据集并对c‑ssd网络和sr‑crnn网络进行训练，得到相应的c‑ssd模型和sr‑crnn模型，用评估数据集对训练得到的模型进行评估，若达标则将带手势的图片输入训练好的c‑ssd模型中进行处理，返回手势的坐标位置与场景信息，结合文字特征设计检错器返回最终的场景信息，选择对应的文字识别模型进行文字识别，得到最后的识别结果。本发明以一个独立的网络实现分类和检测，实现了端到端的算法，无需采用多个网络分别完成不同的作业，可以提高对低分辨率文字的识别精度。

摘要： 本发明公开了一种基于多分类器对抗迁移学习的遥感场景分类方法，通过构建源域和目标域，输入特征提取器中得到各个图像的特征图，将特征图输入标签分类器得到每个图像的第一预测标签概率分布、第二预测标签概率分布，做平均化处理得到平均化预测标签概率分布，将平均化预测标签概率分布和各个图像的特征图组合成联合概率分布，将联合概率分布输入到域判别器，得到每个图像的域标签概率分布，计算域判别器的损失函数、两个标签分类器的联合损失函数、两个标签分类器的不一致性损失函数，根确定总损失函数，使用随机梯度下降法优化总损失函数，以得到目标域最终的分类结果，实现对目标域中遥感图像的场景分类。

摘要： 本发明提供一种训练场景图像分类模型的方法，所述模型包括卷积神经网络、类别激活图模块，所述方法包括：S1、获取多个原始场景图像并组成原始场景图像数据集，其中，每个原始场景图像对应有场景分类标签；S2、对每个原始场景图像进行掩盖处理来获得其对应的修改图像，并将原始场景图像的场景分类标签作为其对应修改图像的场景分类标签，将原始场景图像与其对应修改图像组成图像对，所有的图像对组成训练集；S3、采用训练集将模型训练至收敛。本发明使得场景图像分类模型去探索了更多的大聚焦区域，提高了场景分类效果。

摘要： 提供判定使因果关系连锁而得到的场景候补是否妥当的场景片段分类器和场景分类器。场景片段分类器包含：文档断片检索部(306)，其检索场景候补中所含的全名词句在1个文档的由一定数量以内的句构成的文档断片内同时出现的文档断片的集合；特性提取部(314)，其从场景候补与检索到的各支持片段的各自的各个组合提取特性；分类器(316)，其基于成为特性的源的支持片段，输出表征场景候补的可靠度的评分；评分蓄积部(318)以及最大值选择部(330)，它们蓄积由分类器(316)输出的评分，选择最大值作为场景候补的可靠度。场景分类器根据包含该场景片段分类器输出的评分的特性来判定场景候补的作为因果关系的妥当性。

摘要： 本发明提供了一种基于场景分类和多尺度特征融合的复杂场景人群计数方法。首先，标注并建立密度等级数据集；然后，利用建立的数据集分别对分类、稀疏估计和密集估计子网络进行预训练；接着，结合自标记机制，利用测试数据集对网络再次进行训练；最后，将图片输入到训练好的网络，利用分类权重对两种密度估计结果进行加权后得到人群密度图。采用本发明方法可以解决由于拍摄角度不同导致的图片尺度畸变和人群分布不均问题，具有更高的估计准确度和更强的鲁棒性。

摘要： 本申请涉及机器人视觉领域，具体而言，涉及一种场景分类器训练方法、装置、场景识别方法及机器人。本申请实施例提供的场景分类器训练方法，能够针对从目标场景获取的每张第一场景图像，将第一场景图像输入预设识别模型，以对第一场景图像进行降维处理，获得第一场景图像的特征数据，再确定与目标场景对应的场景分类器，并利用第一场景图像的实际标识，以及特征数据，对场景分类器进行训练。本申请实施例提供的场景分类器训练方法能够降低添加新场景的复杂程度。

摘要： 本发明涉及一种基于场景分类和超分辨率的场景文字识别方法，通过构建c‑ssd和sr‑rcnn网络，对其对应的卷积层参数分别初始化，扩张数据集并对c‑ssd网络和sr‑crnn网络进行训练，得到相应的c‑ssd模型和sr‑crnn模型，用评估数据集对训练得到的模型进行评估，若达标则将带手势的图片输入训练好的c‑ssd模型中进行处理，返回手势的坐标位置与场景信息，结合文字特征设计检错器返回最终的场景信息，选择对应的文字识别模型进行文字识别，得到最后的识别结果。本发明以一个独立的网络实现分类和检测，实现了端到端的算法，无需采用多个网络分别完成不同的作业，可以提高对低分辨率文字的识别精度。