-
公开(公告)号：CN111507150B
公开(公告)日：2023-08-18
申请号：CN202010010850.5
申请日：2020-01-06
Applicant: 斯特拉德视觉公司
IPC: G06V40/16 , G06V10/50 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种人脸识别方法，该人脸识别方法为利用基于深度神经网络的多重图像块组合的方法，包括以下步骤：在获取到具有第一尺寸的人脸图像的情况下，人脸识别装置通过将所述人脸图像输入到特征提取网络，从而使所述特征提取网络对具有所述第一尺寸的所述人脸图像应用至少一次卷积运算来生成特征图，并且通过对所述特征图应用滑动池化运算来生成多个特征，所述特征提取网络的特征是以使用具有第二尺寸的学习用人脸图像来提取至少一个特征的方式进行学习，所述第二尺寸小于所述第一尺寸；以及所述人脸识别装置通过将所述多个特征输入到学习到的神经聚合网络，从而使所述神经聚合网络聚合所述多个特征并输出用于人脸识别的至少一个最佳特征。
-
公开(公告)号：CN109685199B
公开(公告)日：2023-07-28
申请号：CN201811217692.X
申请日：2018-10-18
Applicant: 斯特拉德视觉公司
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种用于创建包括关于池化类型的信息的表的方法，所述池化类型基于用于创建表的至少一个图像中的至少一个对象的比例的范围。该方法包括以下步骤：通过应用最大池化来生成第一池化特征映射，并且通过应用平均池化来生成第二池化特征映射；通过使用第一池化特征映射来获取第一候选边界框，并且通过使用第二池化特征映射来获取第二候选边界框；比较第一候选边界框和GT边界框之间的第一相似度与第二候选边界框和GT边界框之间的第二相似度从而创建表，以包括关于基于对象的比例的各范围的各最优池化类型的信息。
-
公开(公告)号：CN111507927B
公开(公告)日：2023-07-18
申请号：CN202010058810.8
申请日：2020-01-19
Applicant: 斯特拉德视觉公司
IPC: G06T5/50 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明是在神经网络统合图像及点云图的方法及装置。本发明涉及一种学习方法及学习装置以及利用其的测试方法及测试装置，在将借助于照相机而生成的图像、与之对应的借助于雷达或激光雷达而生成的点云图，按神经网络的各自卷积步骤进行统合，其特征在于，包括：(a)步骤，计算装置使至少一个初始运算层，将借助于所述照相机而生成的至少一个原始图像，同与之对应的借助于所述雷达或所述激光雷达而生成的至少一个原始点云图进行统合，(i)将所述原始点云图包含的深度信息添加于所述原始图像，从而生成至少一个第一融合特征图，及(ii)将所述原始图像包含的颜色信息添加于所述原始点云图，从而生成至少一个第一融合点云图。
-
公开(公告)号：CN111489285B
公开(公告)日：2023-07-04
申请号：CN202010017701.1
申请日：2020-01-08
Applicant: 斯特拉德视觉公司
IPC: G06T3/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及利用循环GAN将真实图像变换成虚拟图像的方法及装置，具体地涉及学习利用可应用于域自适应的循环GAN来将真实图像变换成虚拟图像的运行时输入变换的方法，该方法在虚拟行驶环境中执行，该方法可减少虚拟与现实之间的差异和注释费用，该方法包括如下步骤：(a)(i)使第1变换器将第1图像变换成第2图像，(ii)(ii‑1)使第1判别器生成第1_1结果，(ii‑2)使第2变换器将第2图像变换成具备与真实图像相同或类似的特性的第3图像；(b)(i)使第2变换器将第4图像变换成第5图像，(ii)(ii‑1)使第2判别器生成第2_1结果，(ii‑2)使第1变换器将第5图像变换成第6图像；及(c)算出损失。
-
公开(公告)号：CN109598725B
公开(公告)日：2023-05-05
申请号：CN201811147163.7
申请日：2018-09-29
Applicant: 斯特拉德视觉公司
IPC: G06T7/11 , G06N3/084 , G06N3/0464
Abstract: 公开了一种通过使用学习装置来改进图像分割的方法。该方法包括以下步骤：(a)如果获得训练图像，则通过编码层和解码层获取第(2‑K)至第(2‑1)特征图，并从与第(2‑K)至第(2‑1)特征图中的从H个滤波器获得的H个特征图分别对应的第1至第H损失层中获取第1至第H损失；以及(b)在执行反向传播过程时，执行以下过程：允许第(2‑M)滤波器将卷积运算应用于从第(2‑(M‑1))滤波器中继的第(M‑1)2调整特征图，从而获得第M1临时特征图；将通过第M1临时特征图计算第M损失得到的第M2调整特征图中继至第(2‑(M+1))滤波器；以及调整第(1‑1)滤波器至第(1‑K)滤波器和第(2‑K)至第(2‑1)滤波器的参数的至少一部分。
-
Patent Agency Ranking
公开(公告)号：CN111461319B
公开(公告)日：2023-04-18
申请号：CN201911330753.8
申请日：2019-12-20
Applicant: 斯特拉德视觉公司
IPC: G06N3/084 , G06N3/0464
Abstract: 本发明提供一种利用目标对象集成网络和目标区域预测网络，来学习可适应诸如关键绩效指标的用户要求的基于CNN的对象检测器的参数的方法。所述CNN，可以根据所述关键绩效指标的分辨率或焦距的变化而变化的对象的规模进行重新设计。所述方法包括，学习装置，(i)使所述目标区域预测网络，找出第k预测目标区域，(ii)使RPN，生成与第(k_1)至第(k_n)处理图像上的对象对应的第(k_1)至第(k_n)对象候选，(iii)使所述目标对象集成网络，集成所述对象候选，并集成从FC层输出的第(k_1)至第(k_n)对象检测信息。通过所述方法，提高了2D边界框的准确度，可在多摄像机、环绕视图监控(Surround View Monitoring)等中有效执行。
-
公开(公告)号：CN111016929B
公开(公告)日：2023-04-07
申请号：CN201910937157.X
申请日：2019-09-29
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及对车辆变更车道的危险发出警报的方法，所述方法包括(a)获取到正在行驶的车辆拍摄的后方图像的情况下，警报装置利用学习的卷积神经网络(CNN，Convolutional Neural Network)对后方图像进行分割以获取对应于后方图像的分割图像的步骤；(b)警报装置参照分割图像确认盲区的可用空间比例，可用空间比例是盲区中不存在客体的道路区域的盲区相对于整个区域的比例的步骤；以及(c)可用空间比例为预设的临界值以下的情况下，警报装置向车辆的驾驶员发出关于车道变更的警报的步骤。
-
公开(公告)号：CN111505616B
公开(公告)日：2023-03-28
申请号：CN202010071500.X
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
IPC: G01S13/04 , G01S13/06 , G01S13/931 , H04W4/46
Abstract: 本申请公开了一种通过使用用于检测附近物体的雷达模块进行车辆到车辆通信的方法及装置，该方法包括以下步骤：步骤(a)、计算装置执行(i)通过参考至少一个第1时间表来指示雷达模块发送第1发射信号的过程，以及(ii)通过使用对应于第1发射信号的第1‑1接收信号来获得RVA信息；(b)计算装置通过参考至少一个第2时间表来指示雷达模块发送第2发射信号的过程。
-
公开(公告)号：CN111508252B
公开(公告)日：2022-12-30
申请号：CN202010017082.6
申请日：2020-01-08
Applicant: 斯特拉德视觉公司
IPC: G08G1/0967 , G06T17/00 , G06N3/08 , G01C21/32 , G01C21/36
Abstract: 本发明是利用V2X信息集成技术更新高清地图的方法和装置。本发明提供一种选择用于更新高清地图的特定信息的学习方法，该方法包括：步骤(a)学习装置，使坐标神经网络针对坐标矩阵加以坐标神经网络运算，生成本地特征图及全局特征矢量；步骤(b)所述学习装置，使判断神经网络针对所述集成特征图加以判断神经网络运算，生成第1预测适合度分数至第N预测适合度分数；及步骤(c)所述学习装置，使损失层参照(i)所述第1预测适合度分数至第N预测适合度分数及(ii)第1GT(ground‑truth)适合度分数至第N GT适合度分数，生成损失，利用所述损失执行反向传播(backpropagation)，从而学习所述判断神经网络及所述坐标神经网络的参数。
-
公开(公告)号：CN111508273B
公开(公告)日：2022-06-14
申请号：CN202010035915.1
申请日：2020-01-14
Applicant: 斯特拉德视觉公司
IPC: G08G1/16
Abstract: 本发明涉及参考有关行驶状况的信息来学习产生LDW警报的方法和装置，该方法包括以下步骤：计算装置使LDW系统(i)收集包括关于与驾驶员要进入的车道侧的侧后视镜对应的特定点是否属于驾驶员的虚拟视锥的信息的与行驶状况相关的信息，(ii)参考该信息，生成与车道变更相关的风险信息；以及使LDW系统参考该风险信息，产生LDW警报。LDW警报可以提供给接近4级和5级的自动驾驶汽车。
-
-
-
-
-
-
-
-
-
Search Results
234
records
(took 0.057 seconds)
