-
公开(公告)号：CN108537132A
公开(公告)日：2018-09-14
申请号：CN201810218531.6
申请日：2018-03-16
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种基于监督学习的深度自动编码器的道路分割方法，针对传统分割方法存在的分割精度不高、实时性不好，基于全卷积网络的语义分割方法存在的网络结构复杂、参数调优繁琐、训练周期长等问题，在传统的自动编码器模型中加入监督层，通过监督学习机制来抽取有利于道路图像分割的特征，实现道路图像语义分割。本发明的监督学习机制促使网络结构着重学习区域的轮廓、边界等信息而忽略与分割无关的图像细节，取得了更好的道路分割效果。并且本发明所提出的方法模型简单、训练时间和运行时间都远低于Segnet网络，这对实时性要求很高的道路识别而言是极其关键的。
-
公开(公告)号：CN115372989A
公开(公告)日：2022-11-22
申请号：CN202210998319.2
申请日：2022-08-19
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开了车辆实时精确定位技术领域的基于激光雷达的越野自动小车长距离实时定位系统及方法，包括：对激光雷达旋转扫描获取的点云数据进行激光雷达标定和运动畸变去除；对点云数据进行栅格化处理后，滤除地面和动态物体，进行点云数据的粗匹配定位；通过体素化网格方法实现采样，根据标准ICP算法完成点云数据的精确匹配定位；对累计误差进行纠正，实现动态局部地图构建和定位校正。本发明通过激光雷达获取点云并进行运动畸变去除，通过粗匹配定位和精确匹配定位，完成越野自动小车动态局部地图构建和定位校正。
-
公开(公告)号：CN110717981A
公开(公告)日：2020-01-21
申请号：CN201910834288.5
申请日：2019-09-05
Applicant: 中国人民解放军陆军工程大学
IPC: G06T17/05
Abstract: 本发明公开一种小型机器人室内可通行区域建模方法，包括如下步骤：(10)单目SLAM：利用机器人上的单目相机获取室内环境图像，输入单目SLAM系统，得到相机的位姿与稀疏的特征点云；(20)图像分割：对室内环境图像进行分割，获取地面区域；(30)地平面拟合：提取位于地面区域的点，滤波、拟合，得到地平面；(40)分割图像筛选：利用地平面位置，对分割好的地面区域进行筛选，得到符合要求的地面区域；(50)稠密地面建模：将地面分割图像投影到地平面上，得到稠密的地面点云模型。本发明方法及装置，成本低，实时性好，建模效果好。
-
公开(公告)号：CN108596044A
公开(公告)日：2018-09-28
申请号：CN201810280444.3
申请日：2018-04-02
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开一种基于深度卷积神经网络的行人检测方法，包括如下步骤：(10)样本集收集：将样本集图像分为训练集与测试集；(20)样本图像预处理：对样本集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余样本灰度图像；(30)深度卷积网络模型获取：利用低冗余训练样本，采用连续dropout策略，对深度卷积网络进行训练，利用测试集样本对深度卷积网络进行测试，得到深度卷积网络模型；(40)行人检测：利用深度卷积网络模型，对使用现场图像进行行人检测。本发明的基于深度卷积网络的行人检测方法，通过连续dropout策略，在保持网络训练精度的同时，获得更好的泛化能力，从而在行人检测中得到更高的正确率。
-
公开(公告)号：CN117456335A
公开(公告)日：2024-01-26
申请号：CN202311623123.6
申请日：2023-11-30
Applicant: 中国人民解放军陆军工程大学
IPC: G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于强化学习的剪枝和量化的轻量化目标检测方法，包括如下步骤：获取待检测的图像数据，将待检测的图像数据输入至训练好的轻量化目标检测模型中，得到对应的目标检测结果；其中，轻量化目标检测模型的训练方法如下：获取原始模型；基于强化学习的深度确定性策略梯度的智能体对原始模型进行迭代更新的剪枝处理，得到剪枝模型；基于IAO量化法对剪枝模型的参数进行迭代更新，得到训练好的轻量化目标检测模型。降低了轻量化目标检测模型的计算量和参数量，提升了推理帧率，同时维持模型预测精度，便于模型部署到嵌入式设备或移动端设备上。
-
Patent Agency Ranking
公开(公告)号：CN113178009B
公开(公告)日：2023-08-25
申请号：CN202110420925.1
申请日：2021-04-19
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种利用点云分割和网格修补的室内三维重建方法，属于计算机视觉领域的三维场景重建技术领域。包括：图像采集，利用尺度不变特征变换算法提取图像的特征点，利用SFM算法进行稀疏点云重建；将反光、局部反射位置处点云导出，对原本的稀疏点云利用多视角立体视觉方法稠密重建，对稠密点云进行网格处理，完成三维场景的重建。本发明提出了一种室内三维重建方法，在传统三维重建的过程中引入了点云分割，通过深度学习方法处理反光及高反射区域等传统多视角立体视觉方法不易解决的点云获取问题，在重建的网格模型中引入网格修补技术，使其更适合室内场景的重建，显著提高了室内三维建模精度。
-
公开(公告)号：CN114967274A
公开(公告)日：2022-08-30
申请号：CN202210381059.4
申请日：2022-04-12
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明提供一种基于准相位匹配的宽温倍频转化方法，包含一块周期性极化晶体，非线性光学晶体中相位失配量与晶体温度近似成线性关系，相位失配量对温度的二阶偏导远大于一阶偏导。通过合理设计非线性光学晶体的切割角度以及极化周期，满足准相位匹配条件且相位失配量对温度的一阶偏导为零，则使频率变换效率基本不受晶体温度变化影响。通过改变传统极化晶体切割角度，使得非线性光学频率变换在更宽温度范围内保持较高转换效率，提高非线性光学频率变换晶体器件的温度适应性及稳定性。本发明不需要温度控制设备，使得非线性光学频率变换晶体器件结构更加简单、紧凑，同时降低器件能耗、降低器件成本、提升器件性能。
-
公开(公告)号：CN108537132B
公开(公告)日：2021-10-01
申请号：CN201810218531.6
申请日：2018-03-16
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种基于监督学习的深度自动编码器的道路分割方法，针对传统分割方法存在的分割精度不高、实时性不好，基于全卷积网络的语义分割方法存在的网络结构复杂、参数调优繁琐、训练周期长等问题，在传统的自动编码器模型中加入监督层，通过监督学习机制来抽取有利于道路图像分割的特征，实现道路图像语义分割。本发明的监督学习机制促使网络结构着重学习区域的轮廓、边界等信息而忽略与分割无关的图像细节，取得了更好的道路分割效果。并且本发明所提出的方法模型简单、训练时间和运行时间都远低于Segnet网络，这对实时性要求很高的道路识别而言是极其关键的。
-
公开(公告)号：CN113178009A
公开(公告)日：2021-07-27
申请号：CN202110420925.1
申请日：2021-04-19
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种利用点云分割和网格修补的室内三维重建方法，属于计算机视觉领域的三维场景重建技术领域。包括：图像采集，利用尺度不变特征变换算法提取图像的特征点，利用SFM算法进行稀疏点云重建；将反光、局部反射位置处点云导出，对原本的稀疏点云利用多视角立体视觉方法稠密重建，对稠密点云进行网格处理，完成三维场景的重建。本发明提出了一种室内三维重建方法，在传统三维重建的过程中引入了点云分割，通过深度学习方法处理反光及高反射区域等传统多视角立体视觉方法不易解决的点云获取问题，在重建的网格模型中引入网格修补技术，使其更适合室内场景的重建，显著提高了室内三维建模精度。
-
公开(公告)号：CN112884835A
公开(公告)日：2021-06-01
申请号：CN202010978338.X
申请日：2020-09-17
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种基于深度学习之目标检测的视觉SLAM方法，涉及计算机视觉传感技术领域。本发明首先通过视觉传感器采集图像，并对采集的图像进行特征提取和目标检测，得到提取的特征点与目标检测的边界框结果；根据提取的特征点与目标检测的边界框结果，并且通过建立动态对象概率模型，发现且剔除动态特征点，创建出初始化地图；将所述初始化地图继续依次序进行跟踪、局部建图以及回环检测过程，从而在动态场景下构建出准确的三维地图，最终实现面向动态场景的基于深度学习之目标检测的视觉SLAM。本发明提高了动态场景下视觉SLAM的位姿解算和轨迹评估的精度，且精度优于现有的方法，解决了传统视觉SLAM无法有效地应对动态场景的问题。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.036 seconds)
