-
公开(公告)号：CN119851036A
公开(公告)日：2025-04-18
申请号：CN202510030230.0
申请日：2025-01-08
Applicant: 中北大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T3/4038 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/09
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于注意机制的抓取位姿检测方法。针对点云特征能力提取不足，生成的位姿估计不完整的问题，本发明提出双通道双分支挤压和激励注意力融合残差的模块(DDSER)，该模块与UNet融合作为主干网络，提取点云通道特征；为了减少通过最远点采样(FPS)获取点向量所造成的通道特征损失，提出融合亲和矩阵的多头自注意力通道模块(MSCAM)，避免了冗余特征，增强了点向量通道方向的全局特征表示，提高了网络整体检测精度，广泛适用于工业机械臂抓取。
-
公开(公告)号：CN118430838A
公开(公告)日：2024-08-02
申请号：CN202410500192.6
申请日：2024-04-24
Applicant: 中北大学
Abstract: 本发明公开了一种基于图像深度学习网络集成模型的流感预测方法，属于流行病监测技术领域。针对现有方法在特征提取方面存在局限，无法有效挖掘序列中的深层信息，从而影响其预测精度这一问题，首先，通过基于格拉姆角场将一维数字序列编码为二维图像序列，为模型提供基于图像的独特信息特征，在此基础上，通过集成麻雀搜索优化算法设计搭建深度学习网络模型，利用卷积神经网络的图像处理能力进行特征提取，完成流感预测。将一维流感序列图像编码引入再进一步搭建通过集成麻雀搜索算法优化后的非线性流感预测模型，以提高模型预测精度，同时验证卷积神经网络图像处理能力在流感时序预测领域中的优势和实用性。
-
-
公开(公告)号：CN110288606B
公开(公告)日：2024-04-09
申请号：CN201910576352.4
申请日：2019-06-28
Applicant: 中北大学
IPC: G06V20/70 , G06V20/64 , G06V10/26 , G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0499 , G06N3/086
Abstract: 本发明公开了基于蚁狮优化的极限学习机的三维网格模型分割方法，与现有技术相比，本发明采用步骤1至步骤7实现本发明的目的，其优点在于：利用蚁狮优化算法中蚂蚁受精英蚁狮与轮盘赌策略的双重影响，迭代更新并将最优解赋值给精英蚁狮，从而改进优化极限学习机随机生成的输入权值与隐含层偏置矩阵，训练得到一个高精度的分割分类器对普林斯顿模型进行测试。相比于前人的工作，在Airplane、Ant、Chair、Octopus、Teddy和Fish 6类模型数据集上，训练面片数在20k‑30k之间的模型算法耗时1000s左右，且比未优化的分割方法获得了更高的分割精确度，最高分割精确度达到99.49％。
-
公开(公告)号：CN110969650B
公开(公告)日：2022-07-19
申请号：CN201911142026.9
申请日：2019-11-20
Applicant: 中北大学
IPC: G06T7/33
Abstract: 本发明属于点云数据与纹理序列间配准的技术领域，特别涉及一种基于中心投影的强度图像与纹理序列间的配准方法。本发明基于中心投影的强度图像与纹理序列间的配准方法，采用了NDT与ICP匹配结合的方法来配准采集到的三幅局部点云，最后利用SIFT把纹理影像和配准后的点云进行特征匹配，同时采用融合预处理算法解决了重叠问题。通过共线方程实现了多幅点云数据与纹理序列的自动配准，并保证了算法的稳健性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN114549439A
公开(公告)日：2022-05-27
申请号：CN202210126753.1
申请日：2022-02-11
Applicant: 中北大学
IPC: G06T7/00 , G06T7/11 , G06T5/00 , G06T3/40 , G06N3/08 , G06N3/04 , G06K9/62 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于多模态特征融合的RGB‑D图像语义分割方法。由于RGB和深度特征的内在差异，如何更有效地融合两种特征仍是有待解决的问题。为了解决该问题提出了注意力引导多模态交叉融合分割网络(ACFNet)，本发明采用编码器－解码器结构，将深度图编码为HHA图像，设计非对称双流特征提取网络，RGB和深度编码器分别以ResNet‑101和ResNet‑50为主干网络，并在RGB编码器中添加全局‑局部特征提取模块(GL)。为有效融合RGB和深度特征，提出了注意力引导多模态交叉融合模块(ACFM)，以更好地在多阶段利用融合的增强特征表示。
-
公开(公告)号：CN114119916A
公开(公告)日：2022-03-01
申请号：CN202111200048.3
申请日：2021-10-14
Applicant: 中北大学
Abstract: 本发明公开了一种基于深度学习的多视立体视觉重建方法，属于机器视觉技术领域。本发明从改变特征提取网络结构、设计贡献度算法、获取隐藏的空间信息出发，构建出更加适合多视角图像三维重建的网络模型，从而解决重建准确度和完整度不足等问题。本发明改进的MVSNet方法在DTU数据集上Acc和Comp达到了0.473和1.304，拥有更好的准确性和完整性；该方法适用于复杂的大规模图像三维重建环境，能够很好地用于逆向工程、古文物修复等领域。
-
公开(公告)号：CN114021924A
公开(公告)日：2022-02-08
申请号：CN202111257895.3
申请日：2021-10-27
Applicant: 中北大学
Abstract: 本发明属于大数据分析领域，具体涉及一种面向主题的智慧城市指标体系裁剪方法。针对现有指标体系面面俱到却无法突出主题、基于这种指标体系的测评结果无法体现城市特色等问题，本发明首先在现有的指标体系基础上，把指标体系构建为树型结构，对该指标体系进行层次化、组件化管理；通过在主题库中创建继承某个指标体系的特色主题；通过在主题库中选择某一主题下的权重设置来设置该主题下的指标权重，修改主题下同级指标权重的方法是以层次分析法为核心，通过一系列步骤，并基于事先设定的指标项权重的阈值，裁减掉与主题不太相关的指标项，进而更新该主题下的指标项的权重，实现了面向主题的指标体系裁剪。
-
公开(公告)号：CN108805886B
公开(公告)日：2021-09-03
申请号：CN201810542723.2
申请日：2018-05-30
Applicant: 中北大学
Abstract: 本发明属于计算机图形学与拓扑学领域，具体提出了一种多融合物理签名的持久性聚类分割方法，主要解决了现有分割方法存在运行时间长、分割结果不稳定、鲁棒性较差的缺点。本发明首先选定所需物理签名，计算融合后的三类物理签名函数，进而利用持久性聚类产生持久性图，最后选定阈值合并，产生分割结果。该分割方法适用于任何三维网格模型，分割结果良好，且分割速度有了较大提升，对于三维网格模型的逆向工程、医学成像、模型变形和局部匹配等领域有着显著作用。
-
公开(公告)号：CN108550169B
公开(公告)日：2021-08-10
申请号：CN201810374622.9
申请日：2018-04-24
Applicant: 中北大学
Abstract: 本发明具体涉及一种三维空间中象棋棋子的位置确定及高度的计算方法，解决了象棋机器人中，棋子位置确定不准确及单目相机计算棋子高度方法的复杂度高等问题。象棋棋子位置的确定方法包括计算棋子的空间位置和距相机的距离：先对图像进行预处理，根据棋子文字颜色分别进行分割，对分割后的图像做运算，确定棋子圆心的像素坐标，再根据彩色相机的标定参数，计算棋子的空间位置，最后将彩色相机坐标系下的空间点与深度图像坐标系下的像素点匹配，提取彩色图中指定像素点的景深并计算棋子到相机的实际距离；象棋棋子高度的计算方法：通过彩色相机的两次标定，以及在相机坐标系和世界坐标系下同一向量的关系，通过相机高度的变化来计算棋子的高度。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.154 seconds)
