CN118736489B 基于神经网络的船舶管理方法 (海卫通网络科技有限公司)_第1页
CN118736489B 基于神经网络的船舶管理方法 (海卫通网络科技有限公司)_第2页
CN118736489B 基于神经网络的船舶管理方法 (海卫通网络科技有限公司)_第3页
CN118736489B 基于神经网络的船舶管理方法 (海卫通网络科技有限公司)_第4页
CN118736489B 基于神经网络的船舶管理方法 (海卫通网络科技有限公司)_第5页
已阅读5页,还剩24页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

WO2020258498A1,2020.12.30本申请提供一种基于神经网络的船舶管理包括:电子设备获取针对被监测区域采集的L帧神经网络模型以特征融合的方式处理裁切后的L帧图像,确定裁切后的L帧图像中被监测对象的络模型对裁切后的L帧图像进行卷积,得到裁切后的L帧图像中每帧裁切后的图像的特征向量,共得到L个特征向量;电子设备通过神经网络模2所述电子设备触发神经网络模型以特征融合的方式处理所述裁切后的L帧图像,确定所述电子设备通过所述神经网络模型对所述裁切后的L帧图像进行卷积,得到所述裁所述电子设备通过所述神经网络模型对所述向量模组进行分析,以L为3的整数倍,所述电子设备通过所述神经网络模型的融合层将所述L个特征向量融所述电子设备通过所述神经网络模型的融合层,将所述L个特征向量中L为2的整数倍,所述电子设备通过所述神经网络模型的融合层将所述L个特征向量融所述电子设备通过所述神经网络模型的融合层,将所述L个特征向量中所述电子设备通过所述神经网络模型的融合层,将所述L个特征向量中相应的,所述电子设备触发神经网络模型以特征融合的方式处理所述裁切后的L帧图所述电子设备通过所述神经网络模型的融合层,将所述P组特征向3所述电子设备通过所述神经网络模型的全连接层,对所述L/3个特征特征向量进行分所述电子设备通过所述神经网络模型的融合层,将所述L个特征向量中所述电子设备通过所述神经网络模型的融合层,将Uj1以及U2j1作为第1组特征向量分相应的,所述电子设备触发神经网络模型以特征融合的方式处理所述裁切后的L帧图所述电子设备以L为3的整数倍或者L为2的整数倍,从所述被监测区域采5.根据权利要求1所述的方法,其特征在于,若所述被监测区域位于图像的左侧,则所述电子设备将所述L帧图像中的每帧图像的若所述被监测区域位于图像的右侧,则所述电子设备将所述L帧图像中的每帧图像的若所述被监测区域位于图像的中心,则所述电子设备将所述L帧图像中的每帧图像的6.根据权利要求1所述的方法,其特征在于,所述被监测对象的行为包括如下至少一4裁切后的L帧图像进行卷积,得到所述裁切后的L帧图像中每帧裁切后的图像的特征向量,5于,所述第j个特征向量包括P个特征向量分量Uj,所述P个特征向量分量Uj表示为(Uj1,Uj2,…,UjP第2j个特征向量包括P个特征向量分量U2j,所述P个特征向量分量U2j表示为(U2j1,U2j2,…,U2jP第3j个特征向量包括P个特征向量分量U3j,所述P个特征向量分量6所述电子设备将所述L帧图像中的每帧图像的左侧部分裁切,得到所述裁切后的L帧图像;若所述被监测区域位于图像的中心,则所述所述电子设备将所述L帧图像中的每帧图像的电子设备触发神经网络模型以特征融合的方式处理所述裁切后的L帧图像,确定所述裁切PP以及U3jP作为第P组特征向量分量j,共得到P组特征向7可以触发神经网络模型以特征融合的方式处理裁切后的L帧图像,例如神经网络模型可以8可以识别各个信息的通用部分并统一指示,以降低单独指示同样的信息而带来的指示开销。用于指示相关信息的方式来实现,本发明实施例对于其具体的实现方式不做限定。其中,9[0040]本发明实施例描述的网络架构以及业务场景是为了更加清楚的说明本发明实施终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端设备可以是手机VR)终端设备、增强现实(augmentedreality,AR)终端设备、工业控制(industrialcontrol)中的无线终端、无人驾驶(selfdriving)中的无线终端、远程医疗(remote[0052]电子设备可以通过神经网络模型的融合层,将L个特征向量中的第j个特征向量、个特征向量可以包括P个特征向量分量U2j,P个特征向量分量U2j表示为(U2j1,U2j2,…,子设备可以触发神经网络模型以特征融合的方式处理裁切后的L帧图像,例如神经网络模[0062]以上结合图1详细说明了本申请实施例提供的基于神经网络的船舶管理方法,以裁切后的L帧图像进行卷积,得到所述裁切后的L帧图像中每帧裁切后的图像的特征向量,PP以及U3jP作为第P组特征向量分量j,共得到P组特征向所述电子设备将所述L帧图像中的每帧图像的左侧部分裁切,得到所述裁切后的L帧图像;若所述被监测区域位于图像的中心,则所述所述电子设备将所述L帧图像中的每帧图像的理元件的统称。例如,处理器501是一个或多个中央处理器(centralprocessingunit,是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digitalsignalprocessor,DSP或,一个或者多个现场可编程门阵列(field器中的每一个可以是一个单核处理器(single_CPU也可以是一个多核处理器(multi_器(electricallyerasableprogrammableread_onlymemory,EEPROM)、只读光盘于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其备500unit,CPU该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read_速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(randomaccess算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务在一个计算

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论