中文名 | 基于半監(jiān)督學習和交互模型的多目標跟蹤方法 | 項目類別 | 青年科學基金項目 |
---|---|---|---|
項目負責人 | 李國榮 | 依托單位 | 中國科學院大學 |
在跟蹤過程中,目標形態(tài)的變化、遮擋的存在、復雜的環(huán)境制約及運動的相互影響等使得多運動目標跟蹤變得非常困難。本項目針對現(xiàn)有方法在復雜背景及運動應用中所存在的跟蹤失效問題,對基于半監(jiān)督學習和交互模型的多目標跟蹤方法進行研究。研究內(nèi)容包括:1)提出了基于半監(jiān)督CovBoosting的單目標跟蹤及多目標跟蹤方法,有效應對了跟蹤視頻中表觀及背景漸變帶來的挑戰(zhàn);2)提出了基于交互模型的多目標跟蹤方法,包括如何估計目標的運動趨勢,怎樣度量軌跡的運動相似性,如何挖掘場景中的結構信息來改善跟蹤性能,有效解決了跟蹤過程中目標運動復雜這一難題;3)提出了基于表觀重構誤差預測的跟蹤方法,包括如何中跟蹤過程中,構建反應目標運動及上下文信息的特征,預測目標的在學習到的生成空間中的重構誤差的變化,以適應目標和背景表觀的變化。課題組的研究成果發(fā)表在相關的國際期刊和會議上,已發(fā)表學術論文16篇,其中包括IEEE Trans在內(nèi)的國際期刊10篇,國際會議6篇,培養(yǎng)研究生6名。
多目標跟蹤技術是計算機視覺、圖像理解領域的核心研究之一,其在視頻監(jiān)控、視頻分析及檢索、運動分析及合成等領域發(fā)揮了重要作用。由于在跟蹤過程中,目標形態(tài)的變化、遮擋的存在、復雜的環(huán)境制約及運動的相互影響等使得對多運動目標的跟蹤變得更加困難。在本研究中,申請人擬采用交互模型來對目標的運動進行預測,并通過半監(jiān)督的在線學習方法進行自適應特征選擇,實現(xiàn)對多目標的實時魯棒跟蹤。首先,使用交互模型可以對多目標的運動提供較為準確的估計;其次,通過在線特征選擇和遮擋分析為跟蹤目標構建具有自適應性的表觀模型;然后,在跟蹤過程中將交互模型與基于半監(jiān)督CovBoost的在線特征選擇、在線隨機森林遮擋判別分析器結合起來,提出一種基于交互模型和在線特征選擇的多目標跟蹤器,將跟蹤中的關鍵問題(運動建模和表觀建模)統(tǒng)一到一個多目標跟蹤框架下;最后實現(xiàn)實時準確的多目標跟蹤,并嘗試拓展到視頻監(jiān)控、智能交通等實際社會民生應用中。
在cnki上下篇kalman目標跟蹤的碩士論文吧,很多的,當然期刊也可以,不過一般情況下碩士論文講的能詳細點,然后找準一篇仔細研讀,這樣子基本上理論就沒啥問題了,編程就用MATLAB,用C很麻煩,很多...
常用的3D格式都可以,max、maya、obj、stp等格式都可以用的,另外一個是跟你用什么平臺、系統(tǒng)做展示可能也會有影響。另外建議:1、做單品展示模型面數(shù)盡量小,這樣加載速度快;2、選擇渲染引擎比較...
把每個過程的軸網(wǎng)都插入到一個文件里,然后通過塊存盤和塊提取功能,把項目上單位工程整合在一個工程文件里,這樣是可以操作,但運行非常慢,計算也不方便,不建議使用此方法
格式:pdf
大?。?span id="blnhdjt" class="single-tag-height">2.1MB
頁數(shù): 9頁
評分: 4.7
協(xié)調(diào)水庫發(fā)電、灌溉和生態(tài)環(huán)境效益是眾多水庫決策者面臨的棘手問題。本文以考慮發(fā)電保證率要求的總發(fā)電量最大、下游灌溉和生態(tài)流量需水滿足度最大為目標建立水庫多目標調(diào)度模型,以動態(tài)規(guī)劃和離散微分動態(tài)規(guī)劃為計算核心,在分別對發(fā)電保證率、灌溉需水滿足度和生態(tài)環(huán)境需水滿足度建立懲罰函數(shù)的基礎上,提出求解多目標模型的變懲罰系數(shù)法(VPC),并應用VPC法進行模型求解,通過篩選得到多目標非劣解的Pareto前沿。通過與非支配排序遺傳算法II(NSGA-II)計算結果進行對比,表明VPC算法可以得到更高質(zhì)量的非劣解集。實例研究表明,該模型和求解方法具有較好的適應性和較強的實用價值,可以為水庫調(diào)度管理者提供重要的決策參考。
格式:pdf
大?。?span id="lh1thfl" class="single-tag-height">2.1MB
頁數(shù): 4頁
評分: 4.3
針對供應商的評價選擇問題,構建了包含4個一級指標、8個二級指標的供應商評價指標體系,并建立了評價供應商綜合實力的多目標模糊優(yōu)選模型。通過該模型,評價供應商的綜合實力并做出最優(yōu)選擇。實例證明,該模型難度適中、易于操作、應用性廣,具有推廣價值。
本課題擬針對采用集中式信息融合的多傳感器多目標跟蹤系統(tǒng)提出基于最大期望算法的聯(lián)合數(shù)據(jù)配準、關聯(lián)和融合算法,以及針對采用分布式信息融合的多傳感器多目標跟蹤系統(tǒng)提出基于最大期望算法的聯(lián)合航跡配準、關聯(lián)和融合算法。傳統(tǒng)上人們一般將數(shù)據(jù)配準、數(shù)據(jù)關聯(lián)和數(shù)據(jù)融合三者分開研究,或者是將航跡配準、航跡關聯(lián)和航跡融合三者分開研究,但實際上它們是相互影響的:數(shù)據(jù)配準需要正確關聯(lián)了的多傳感器數(shù)據(jù)而存在配準誤差的多傳感器數(shù)據(jù)又會增加錯誤關聯(lián)的概率,它們都會對數(shù)據(jù)融合的性能產(chǎn)生影響;同樣航跡配準需要正確關聯(lián)了的局部航跡而存在配準誤差的局部航跡又會增加錯誤關聯(lián)的概率,它們都會對航跡融合的性能產(chǎn)生影響。本課題將它們作為一個整體研究從而解決傳統(tǒng)上將它們分開研究和工程實現(xiàn)的弊端,因考慮了它們之間的相互聯(lián)系和相互影響,我們能大大提高多傳感器多目標跟蹤的精度,從而可提高軍事和民用領域?qū)δ繕吮O(jiān)視和跟蹤的能力。
《數(shù)據(jù)、模型與決策:基于Excel的建模和商務應用》內(nèi)容全面,包括概率和統(tǒng)計的基本概念、數(shù)據(jù)處理和分析的基本方法,以及回歸、預測、風險分析、模擬和決策優(yōu)化等模型方法。基于Excel實現(xiàn)所有的模型和方法?!稊?shù)據(jù)、模型與決策:基于Excel的建模和商務應用》提供大量的Excel操作截屏圖,并詳細加以標注,以方便讀者學習和應用。配有豐富的教輔資源?!稊?shù)據(jù)、模型與決策:基于Excel的建模和商務應用》適合MBA和工商管理學科研究生教學使用,也可作為事業(yè)單位管理決策人員,數(shù)據(jù)分析人員自學和培訓用書?!稊?shù)據(jù)、模型與決策:基于Excel的建模和商務應用》配套教輔資源PPT課件,長達900多頁的超大容量PPT,圖文并茂,拿來即用,免費申請。學習光盤,提供書中所有例題和習題的Excel文件,隨書附贈。教師光盤,長達數(shù)十個小時的課堂視頻AVI文檔以及所有習題解答的Excel文檔。
本發(fā)明公開基于多模型深度學習的涂裝新風空調(diào)的控制方法,包括步驟:采集空調(diào)機組的多個模段的切面的溫濕度數(shù)據(jù)上傳到云服務器的時序數(shù)據(jù)庫中,分別利用該溫濕度數(shù)據(jù)對多個模段的深度學習模型進行訓練,在訓練完成將多個深度學習模型集成在一起形成一個深度學習控制預測模型;控制時,實時采集多個模段的切面的溫濕度數(shù)據(jù),輸入到深度學習控制預測模型中;深度學習控制預測模型根據(jù)輸入的實時溫濕度數(shù)據(jù),在多個可選擇控制項中,選擇與目標溫濕度值最接接的控制結果輸出,并將控制結果所對應的控制設定值輸出到空調(diào)控制器中,對執(zhí)行機構調(diào)節(jié)控制。本發(fā)明可有效地減低生產(chǎn)中的能源消耗,對涂裝車間的運營成本及車身質(zhì)量都具有非常有意義的作用。