场景识别

摘要： 场景图像通常由背景信息和前景目标对象构成,用于场景识别任务的卷积神经网络(CNN)通常需要根据场景中关键目标的特征,甚至结合目标之间的位置关系来识别出场景所属类别。针对场景图像中较小尺寸的关键目标特征随着网络层次的加深而逐渐消失,从而导致场景识别错误的问题,提出了一种基于多级特征融合与注意力模块的场景识别方法。首先,将深度神经网络ResNet-18的特征提取部分划分出5个分支;然后,将5个分支输出的多级特征进行融合,利用融合后的特征进行场景识别和分类,以弥补丢失的目标信息;最后,在网络中加入改进的注意力模块,以达到着重学习场景图像中关键目标的目的,进一步提升识别效果。在多个场景数据集上进行实验对比,结果表明,所提方法在MIT-67,SUN-397和UIUC-Sports这3个场景数据集上的识别准确率分别达到了88.2%,79.9%和97.7%,相比目前主流的场景识别方法其具有更高的识别准确率。

摘要： 场景识别是计算机视觉研究中的一项基本任务。与图像分类不同,场景识别需要综合考虑场景的背景信息、局部场景特征以及物体特征等因素,导致经典卷积神经网络在场景识别上性能欠佳。为解决此问题,文中提出了一种基于深度卷积特征的场景全局与局部表示方法。此方法对场景图片的卷积特征进行变换从而为每张图片生成一个综合的特征表示。使用CAM获取局部关键区域,利用LSTM对局部区域的卷积特征进行编码形成场景图片的局部表示;通过注意力机制融合场景特征与物体特征形成场景图片的全局表示。最后,在MIT indoor 67场景识别数据集上进行实验,结果显示采用文中所提方法取得了87.59%的识别准确度。

摘要： 针对于场景识别问题,提出一种基于开源的室外场景数据集以及自定义采集的数据集在deepLabV3+深度学习模型上进行实验,并运用一种改进的K-近邻算法对DeepLabV3+深度学习模型进行优化。与现有的测试数据集的方法不同,省去了对数据集进行标签的工作,减少了大量的前期准备工作,提高了模型的计算效率以及分类模型的准确率和召回率。结果表明,使用K-近邻算法改进后的Deeplabv3+模型识别精度达到相0.75,较于直接使用Deeplabv3+模型进行语义分割的准确率0.65提高了0.1,并且得到了效果明显,在一定程度上提升了实验效率以及算法的鲁棒性。

摘要： 目前,室内人体行为识别技术被广泛应用于视频内容理解、居家养老、医疗护理等领域,现有研究方法更多的是对人体行为进行建模,忽略了视频中场景与人体行为间的联系。为了充分利用场景信息与室内人体运动的关联性,文中对基于场景先验知识的室内人体行为识别方法进行了研究,提出了一种基于场景先验知识的双流膨胀3D行为识别网络(Scene-Prior Know-ledge Inflated 3D ConvNet,SPI3D)。首先使用ResNet152网络提取场景特征进行场景分类,再基于场景分类的结果,引入量化后的场景先验知识,通过对权值进行约束来优化总体目标函数。另外,针对现有数据集多聚焦于人体行为特征、场景复杂且场景特征不明显的问题,自建了室内场景-行为识别数据集(Scene-Action DataBase,SADB)。实验结果表明,在SADB数据集上,SPI3D网络的识别准确率为87.9%,比直接利用I3D网络的识别准确率高6%。由此可见,引入场景先验知识后的室内人体行为识别模型具有更好的表现。

摘要： 基于MDT三维采样数据,通过对小区下用户的立体分布进行分析,对小区覆盖场景进行归类识别,并根据不同场景的覆盖特点,提出一种差异化广播权值四元组(水平波宽、垂直波宽、电子方位角、电子下倾角)配置算法.通过现网试点验证,该算法可精准识别小区覆盖场景及弱覆盖区域,场景化权值优化取得了良好的覆盖提升效果,SA时长驻留比、总吞吐量、用户体验速率等指标有显著提升.

摘要： 针对目前铁路道岔人工检测方法效率低、精度差的问题,提出一种基于深度学习的快速识别道岔场景及检测道岔间距的方法。采用线阵工业相机扫描获取铁路点云信息,设计残差连接的铁路道岔场景识别网络,采用树结构Parzen估计算法搜索最优超参数,采用Focal Loss损失函数解决样本数量不均衡问题,实现铁路道岔场景的准确快速识别。利用识别出的铁路道岔场景图像,开发了一种道岔基本轨与尖轨的边缘提取算法,准确测量道岔基本轨与尖轨的内侧间距。实验结果证明,该方法的识别准确率达到97.5%,识别时间在0.02 s内,道岔间距计算误差小于0.2 mm,相比人工检测方法,检测效率与检测精度均大幅提升,满足道岔检测的要求。

摘要： 为降低变电站人工成本、提升工作效率、实时确保电网正常安全供电,提出一种基于场景识别的变电站智能机器人巡视技术。通过加权平均法调节图像灰度值、直方图均衡亮度和线性滤波算法去除冗余噪声,提高原始图像场景分辨率,凭借图像均值差和方差的对比结果,提取目标在各子带图像上多个特征,划分目标与背景区域的起伏差异,将场景特征输入卷积神经网络中的多层反向卷积层,利用离散型的线性运算模式,获得巡检目标激活函数,完成变电站巡视。仿真实验结果表明,所提方法能够明确远景、近景中各设备使用情况,精准检测出其中隐藏的故障器件,具有极高的应用价值。

摘要： 随着科技的进步,自动驾驶的发展如火如荼,作为其关键技术之一的定位与建图方法目前主要依赖于全球定位系统(Global Positioning System,GPS),这类方法易受天气以及高层建筑物的影响。考虑到现有方法的局限性,文章提出了基于激光雷达的轻量化定位与建图方法,该方法主要由前端配准、回环检测、后端优化、建图等四个部分组成,通过以上几个部分对采集到的周围环境的数据进行提取、匹配、识别、优化,得到兼具精度和鲁棒性的定位与建图效果,为自动驾驶的感知、规划、决策、控制等建立基础。

摘要： 基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simultaneous Localization and Mapping,SLAM)、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化,点云场景所获取的几何信息都具有较好的不变性,因此,基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结;然后介绍用于场景识别的大规模室内/室外场景的数据集,以及用于算法评测的评价指标,同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战,对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状,为进一步提升场景识别精度奠定基础。

摘要： 为了准确筛选用于LOPA分析的场景,简化了领结分析法模型,将领结分析法模型映射至LOPA分析中,充分考虑后果可能性和后果发生频率的权重,改进了最大可信事故场景计算方法,量化了初始事件、使能条件和修正因子的赋值,最后以某站场储罐泄漏和溢流损失事件为例进行了验证分析。结果表明:所有场景的后果发生频率均大于10-6,根据该站场内部风险评价矩阵,最终确定大孔泄漏、灾难性破裂和储罐溢流下的所有场景进入二次筛选;二次筛选后,得到7个待分析的LOPA场景,场景主要集中在蒸汽云爆炸和闪火/池火灾等后果。验证表明:该方法可更加全面地筛选事故场景,对于后续LOPA分析具有指导意义。

摘要： 音频场景识别通过分析音频场景中包含的声学事件,实现对音频的高层抽象概念和语义内容上的感知.在实际应用中,如果音频数据中存在大量场景无关的声音干扰,将会导致音频场景识别性能急剧下降.为解决此问题,本文使用深度神经网络(Deep Neural Network,DNN)提取音频场景的高层抽象特征,并引入视频信息作为辅助,进一步对音视频信息的融合机制进行探索,提出基于模型融合的多模态信息融合方法.实验结果表明,基于DNN和模型融合的方法在复杂音频场景识别问题上取得了较大的性能提升.

摘要： 场景识别是室内外无缝定位技术的研究重点,场景识别的好坏决定了位置服务用户体验的优劣.现有研究多依据GPS卫星数目和额外设备辅助信息进行场景识别,增加了场景识别的计算复杂度,存在较明显的时间延迟和错误识别.提出了一种依据高度角、信噪比和有效GPS卫星数目进行室外到室内场景快速准确识别的方法.利用该方法得到了室外到室内场景识别的判定依据,实验表明上述判定依据可有效区分室外、室外到室内过渡区域、室内三种场景.

摘要： 基于视觉的定位技术是近年来室内定位研究领域的热点之一,有着广泛的应用前景.针对基于视觉的定位算法中存在的定位结果稳定性不高,易受噪声干扰等问题,对国内外现有方法进行总结分析,提出一种利用卷积神经网络进行场景识别、利用空间参考点进行定位的方法,并进行真实场景实验.实验结果表明,本方法具有精度高、稳定性好等优点,场景识别正确率约为90％,定位平均误差为0.10m,最大定位误差为0.30m,达到室内定位精度的标准.

摘要： 对用户所处位置场景的识别是移动运营商开展不同场景下用户需求分析的关键技术之一,也是开展分场景网络优化,提升用户网络感知的核心技术之一.提取原始MR数据中的激活级服务小区ID及坐标,根据RSSI三角定位算法对用户进行坐标定位,在地图上截取用户的坐标点附近的图像,然后运用SVM算法对此图像进行识别分类,最终确定用户所处的场景.经过仿真结果表明,本算法很好地实现了对用户所处的场景进行识别,满足对用户场景识别的要求.

摘要： 针对风云四号(FY-4A)的新一代静止气象卫星成像仪(AGRI)和Himawari-8(H08)的先进Himawari成像仪(AHI)开发了一种统一的云检测算法.研究了云检测算法的综合性能.在时空上,该算法与来自Terra和Aqua平台的中分辨率成像光谱仪(MODIS)的官方Collection-6云检测产品相匹配,将其作为相互比较和验证的基准.强大的云掩码算法可以在FY-4A/AGRI和H08/AHI之间产生高度一致性.基于MODIS的验证结果表明,对于FY-4A/AGRI和H08/AHI而言,多云场景的识别效果要好于晴天场景识别;错误警报率(FAR)也相对较低.此外,该算法在白天更可靠,FY-4A/AGRI和H08/AHI的命中率(HR)约为92％.发现水上的云层掩蔽结果的精确度略高于陆地.此外,发现以MODIS为基准时,这两种高级GEO成像仪的匹配像素中,有超过67％的像素没有偏差.总体而言,FY-4A/AGRI和H08/AHI的命中率值分别约为91.04％和91.82％.这些结果很好的说明了该算法在实时云检测产品反演中的高质量.

摘要： 由于国家加快5G商用进程,5G网络在已经稳步推进中,但5G终端升级和普及仍需要一段较长时间,会出现终端空窗期,导致"高吞吐"、"低时延"、"低功耗"等5G网络切片特性未能服务于用户.如果依靠网络对终端进行场景识别,需要实时对每个会话进行场景识别,对算法效率提出了巨大挑战.本文提出了一种基于字典的实时识别算法,每秒5万次的并发响应、每会话判决响应时延在100毫秒内,场景识别率达到67％,让非5G终端或过渡性5G终端无需升级,即可使用5G网络"切片"功能,大大加快5G网络推广普及.

摘要： 本文分析了机器人视觉方面的话题,谈论了笔者认为机器人视觉的重要方面，认识到机器人视觉的重要性.感知，尤其是视觉，是推动智能化的重要部分。对于机器视觉，摄像头并不是大问题，真正的问题在于视觉的智能、机器人的场景识别。现在面临的最大挑战就是如何把先进的计算机视觉和机器人学联系起来，去研发真正能“看见”的机器人。

摘要： 随着多媒体内容安全形势的日益严峻，本文提出了一种基于视觉和音频特征的恐怖暴力场景的识别算法。该算法综合了视频的颜色直方图、运动强度和声音功率三个方面的特征，采用支持向量机作为分类器，对视频中的恐怖暴力场景进行识别。综合三方面的特征后，本文在实验中达到了86.7%的识全率和92.9%的识准率，获得了较为理想的效果。

摘要： 面对当前4G、3G、2G多网协同发展的复杂网络结构,对各层网络所处空间维度内的覆盖、业务、干扰、故障、资源配置等网络优化场景模型,进行综合识别和划分是一项极为重要的基础性分析工作,将直接影响各级网络优化、规划方案和策略制定.同时,对网络优化场景的精确识别,也会对网络规划建设、扩容调整带来重要指导意义.基于大数据分析技术,通过对无线网络多维度的特征属性分析,实现自动化地将不同场景下的小区进行识别和分类,达到量化并识别无线网络场景的目的.使用机器学习算法对网络优化场景的精确识别，本质上是针对网络运营中收集的全量统计信息进行综合分析，从而挖掘出有价值的信息过程，可以协助提升各级网络部门对无线网络场景的认识水平。通过定量聚类分析，可以实现小区特征模型的自动划分，从而为后续的性能、参数、资源配置模型分析建立可靠的依据。

摘要： 面对当前4G、3G、2G多网协同发展的复杂网络结构,对各层网络所处空间维度内的覆盖、业务、干扰、故障、资源配置等网络优化场景模型,进行综合识别和划分是一项极为重要的基础性分析工作,将直接影响各级网络优化、规划方案和策略制定.同时,对网络优化场景的精确识别,也会对网络规划建设、扩容调整带来重要指导意义.基于大数据分析技术,通过对无线网络多维度的特征属性分析,实现自动化地将不同场景下的小区进行识别和分类,达到量化并识别无线网络场景的目的.使用机器学习算法对网络优化场景的精确识别，本质上是针对网络运营中收集的全量统计信息进行综合分析，从而挖掘出有价值的信息过程，可以协助提升各级网络部门对无线网络场景的认识水平。通过定量聚类分析，可以实现小区特征模型的自动划分，从而为后续的性能、参数、资源配置模型分析建立可靠的依据。

摘要： 本发明公开了跨场景识别模型训练方法、跨场景道路识别方法以及装置。本发明以源领域图像Xs和源领域真实标签图ys以及跨场景的无标签目标领域图像Xt作为训练数据，采用前向传导和链式反向梯度传导更新方法，分别在像素级、局部级与图像级计算输出跨场景识别的预测以及识别损失值和领域适配的预测以及领域适配损失值；分别在区域水平和样本水平联合跨场景识别和领域适配的像素级、局部级与图像级的预测以及损失值进行跨场景识别模型的迭代训练，最终得到训练完成的区域水平和样本水平跨场景识别模型。本发明所构建的跨场景道路识别方法，基于判定策略输出精准且安全的识别结果，可以为智能驾驶系统在新场景下提供有效的数据支撑。

摘要： 本发明实施例提供一种场景识别网络图的绘制方法、场景识别方法及装置，场景识别网络图的绘制方法包括：分别获取基站的位置信息和兴趣点POI的位置信息；根据基站的位置信息和POI的位置信息，确定相互匹配的基站与POI；基配的POI的目标历史行为数据；用户历史行为数据从运营商的数据库中获取到；根据目标历史行为数据，绘制用户的位置轨迹，从而得到场景识别网络图。本发明所绘制的场景画像识别网络图，能够实现精准、实时、有效的识别场景画像。

摘要： 本发明提供一种无线网络的场景识别方法及场景识别系统，应用于终端设备中，包括：搜索无线网络的接入点；接收无线网络的标识符，并根据所述标识符连接所述无线网络；调用预设场景的分析规则，分析规则的参数：包括多个时间段、以及每个时间段的连接比例阈值范围；分析连接所述无线网络的连接规律，所述连接规律包括在所述多个时间段内的连接比例；判断所述连接规律是否符合所述分析规则；当所述连接规律符合所述分析规则时，加入所述预设场景的连接模式。本发明通过设置预设场景的分析规则，实现对所连接的无线网络的场景的自动识别，进而对预设场景进行筛选，为预设场景中的WIFI接入点减少安全隐患。

摘要： 本发明公开了一种目标场景识别的预处理方法、目标场景识别方法，该方法接收输入的待识别的目标场景中的每个目标对象类型的信息；针对每个目标对象类型，根据预先保存的规则库的每个规则与对象类型的对应关系，获取该目标对象类型对应的每个待选规则；接收用户的规则选择指令，从获取到的每个待选规则中选择目标场景对应的目标规则；将预先保存的训练完成的行业大模型以及目标规则对应目标场景保存；由于该方法中针对目标场景识别时是确定出目标场景的目标规则，并与行业大模型对应目标场景保存，因此在实现对不同的场景进行识别时，仅需要重新获取到不同场景对应的规则，从而可以实现了对不同场景的识别，提高了场景识别的适用性。

摘要： 本发明公开了跨场景识别模型训练方法、跨场景道路识别方法以及装置。本发明以源领域图像Xs和源领域真实标签图ys以及跨场景的无标签目标领域图像Xt作为训练数据，采用前向传导和链式反向梯度传导更新方法，分别在像素级、局部级与图像级计算输出跨场景识别的预测以及识别损失值和领域适配的预测以及领域适配损失值；分别在区域水平和样本水平联合跨场景识别和领域适配的像素级、局部级与图像级的预测以及损失值进行跨场景识别模型的迭代训练，最终得到训练完成的区域水平和样本水平跨场景识别模型。本发明所构建的跨场景道路识别方法，基于判定策略输出精准且安全的识别结果，可以为智能驾驶系统在新场景下提供有效的数据支撑。

摘要： 本发明公开了一种场景识别模型的构建方法、场景识别方法及设备，用于提高场景识别的准确度。其中的场景识别模型的构建方法包括：通过目标检测模型确定输入的图像的场景物体词；将场景物体词输入待训练模型，获得语义转化模型，其中，语义转化模型的输入为场景物体词，输出为与图像对应的场景语义词的组合属于各个场景语义词的概率；将目标检测模型和语义转化模型连接，获得场景识别模型；其中，场景识别模型的输出为至少一个场景语义词。

摘要： 本公开关于音频场景识别方法、音频场景识别模型的训练方法、装置、电子设备以及存储介质。该音频场景识别方法包括：获取音频信号；提取音频信号的频谱；将音频信号的频谱切分为至少两个子频带；根据至少两个子频带，确定音频信号的音频场景识别结果。采用该音频场景识别方法，可以实现将不同声音场景的频带差异性应用到音频场景识别中，从而提高模型识别音频场景的准确率和效率。

摘要： 本申请提供了一种场景识别方法、场景识别装置、终端设备及可读存储介质。所述方法包括：获取N个第一应用程序分别得到的行为信息，其中，每个行为信息均为用于表征用户行为的信息，其中，N≥2且N为整数；基于N个所述行为信息，对所述用户所处的场景进行识别，得到场景识别结果；将所述场景识别结果推送给一个或多个第二应用程序。本申请能够提高应用程序得到的场景识别结果的准确率。

摘要： 本发明实施例提供一种场景识别网络图的绘制方法、场景识别方法及装置，场景识别网络图的绘制方法包括：分别获取基站的位置信息和兴趣点POI的位置信息；根据基站的位置信息和POI的位置信息，确定相互匹配的基站与POI；基配的POI的目标历史行为数据；用户历史行为数据从运营商的数据库中获取到；根据目标历史行为数据，绘制用户的位置轨迹，从而得到场景识别网络图。本发明所绘制的场景画像识别网络图，能够实现精准、实时、有效的识别场景画像。

摘要： 本申请公开了一种场景识别方法、一种场景识别装置及一种电子设备，涉及信息处理技术领域，可以解决现有场景识别方法场景识别准确度低的问题。本申请通过结合场景识别算法，以及图像的时间信息、位置信息、天气信息和温度信息等进行图像场景识别，可以避免单纯依靠算法进行场景识别导致的误识别问题，从而提高图像识别的准确度。