-
公开(公告)号:CN113762195A
公开(公告)日:2021-12-07
申请号:CN202111084371.9
申请日:2021-09-16
Applicant: 复旦大学
Abstract: 本发明公开了一种基于路侧RSU的点云语义分割与理解方法;该方法包括以下步骤:步骤一、获取道路场景点云数据,基于球映射的方法,将3D点云转换为2D距离图像;步骤二、对2D距离图像进行2D全卷积语义分割,获得2D图片语义分割的结果;步骤三、将2D图片语义分割的结果用距离信息、像素坐标和传感器参数映射到3D空间中,2D距离图像与对应于每个点的图像坐标进行配对和索引;步骤四、基于3D后处理清除一些错误的离散化点,获取最终3D点云的语义分割结果。本发明方法能够准确、快速的、实时的实现移动小目标的点云语义分割,使自主机器能够及时做出决策。
-
公开(公告)号:CN113553911A
公开(公告)日:2021-10-26
申请号:CN202110709271.4
申请日:2021-06-25
Applicant: 复旦大学
Abstract: 本发明属于人脸识别技术领域,提供了融合SURF特征和卷积神经网络的小样本人脸表情识别方法,通过使用SURF特征和卷积神经网络的协同工作,首先通过卷积神经网络中的dropout层不同节点的保留概率筛选出相对合适的卷积神经网络,之后使用SURF算法提取出表情图像的特征,提高小数据的性能,然后采用简单平均的方法对模型进行融合,从而减少误差、避免过拟合,实现使用少量样本就能训练模型且进一步提高了人脸表情识别的准确率。所以,本发明的融合SURF特征和卷积神经网络的小样本人脸表情识别方法降低了在人脸表情识别过程中训练样本的成本,解决了CNN需要大量数据训练的问题,提高了小样本下表情识别的准确率。
-
公开(公告)号:CN114898124A
公开(公告)日:2022-08-12
申请号:CN202210509390.X
申请日:2022-05-10
Applicant: 复旦大学
IPC: G06V10/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于机器学习技术领域,具体为一种多智能体在线进化学习的机器学习方法。本发明方法包括:在OEL场景中,在局部区域内,有多个智能体模型在实时获取感知数据,同时结合少量的有标注数据进行不断的学习与智能体模型更新;多个智能体模型通过交互学习实现知识迁移;每个智能体模型都在面临大量的无标注non‑i.i.d感知数据,结合多个智能体模型的自身能力对这些感知数据进行有效的联合处理;其中采用相互匹配(MM)算法,用于模型之间的知识共享和持续学习,以稳定模型的泛化能力,保证各智能体在OEL环境中获得更好的性能提升。本发明方法可以减少大量的数据标注需求,利用多模型的知识共享提高整个感知系统的性能。
-
公开(公告)号:CN113762099A
公开(公告)日:2021-12-07
申请号:CN202110952822.X
申请日:2021-08-19
Applicant: 复旦大学
Abstract: 本发明属于室外场景实时点云三维重建技术领域,具体为一种基于路侧RSU的实时点云三维重构方法。本发明方法包括:设置包含摄像头的路侧RSU,进行车路场景中多RGB摄像头的数据采集,为三维重建提供充分的数据支持;构建室外三维场景实时重建模型;其中,采用端到端的人工智能方法代替传统重建中的部分过程,对室外场景进行高分辨实时三维重建;构建融合语义分割优化三维模型;其中,采用语义分割的方法结合一些模型先验对已经建立的模型进行补充,实现三维完整重建。本发明将室内成熟的三维重加算法改变为室外大规模场景的算法,完善和加强室外三维场景重建水平;可广泛应用于类似车路场景的各类室外大规模场景中。
-
公开(公告)号:CN113538534A
公开(公告)日:2021-10-22
申请号:CN202110700487.4
申请日:2021-06-23
Applicant: 复旦大学
Abstract: 本发明属于纳米成像技术领域,具体为一种基于深度强化学习的纳米成像的图像配准方法。本发明方法包括构建深度强化学习网络模型、利用该网络进行图像配准;网络模型包括两个分支;一个分支包括一个全连接层,输入为动作序列;一个分支包括两个卷积层和池化层,输入为选取的参考图片和待配准图片;输出为表示策略函数的的动作概率分布;图像配准部分,设计8种动作序列来对待配准的图像进行微调;具体包括:对待配准图像进行重采样;将待配准图像和参考图像和重采样图像输入构建的网络模型中,输出策略动作的概率分布。本发明速度快、精度高、鲁棒性好、适应性强;全自动进行图像配准,摆脱了手动标记的麻烦。
-
公开(公告)号:CN113411557A
公开(公告)日:2021-09-17
申请号:CN202110507947.1
申请日:2021-05-11
Applicant: 复旦大学
IPC: H04N13/106 , H04N13/117 , H04N13/363 , H04N19/149 , H04N19/176 , H04N19/423 , H04L29/06
Abstract: 本发明属于计算机网络应用层协议技术领域,具体为一种适用于蜂窝网络的VR全景视频优化传输方法。本发明方法包括:VR全景视频的投影、压缩、切片与分块;使用显著性检测对视频进行多焦点的冗余存储,其中采用3D卷积神经网络对样本视频进行有监督学习,得到预测模型用于预测显著区域,随后进行多焦点的冗余存储;视窗自适应传输协议,该协议是基于UDP的应用层协议,并保证视频流即时传输时有缓冲空间;基于头部运动方向预测的预传输,使用机器学习方法,建立方向预测模型,利用预测模型,预测出客户端下一段时间需要的视频片段,通过预传输的方式有效提高客户端视频流畅度。本发明模型简单,可以显著提升传输效率,保证实时性。
-
-
-
-
-