-
公开(公告)号：CN111497864A
公开(公告)日：2020-08-07
申请号：CN202010069697.3
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明公开了一种利用V2X应用程序向人传递当前驾驶意图信号的方法及装置。该方法使驾驶意图信号传递装置执行以下步骤：步骤(a)，通过周围环境视频图像来检出位于自动驾驶车辆的附近前方区域中的行人，以及通过虚拟人行横道来确定行人是否横穿道路；步骤(b)，当确定行人横穿道路时，参照特定行人的移动轨迹，并预测与行人预期路径相对应的横穿轨迹，通过参照驾驶信息与横穿轨迹来设定自动驾驶车辆的驾驶计划，以及根据驾驶计划使自动驾驶车辆驾驶；以及步骤(c)，通过参照凝视模式来确定特定行人是否正在注意自动驾驶车辆，当确定特定行人未在注意自动驾驶车辆时，通过外部显示器以及外部扬声器，将驾驶意图传递给行人与周围的驾驶员。
-
公开(公告)号：CN111493443A
公开(公告)日：2020-08-07
申请号：CN202010073407.2
申请日：2020-01-22
Applicant: 斯特拉德视觉公司
Abstract: 本申请公开了一种利用智能头盔来监控双轮车盲区的方法及装置，所述方法包括以下步骤：(a)若获取与智能头盔相对应的第一盲区的视频图像，则指示对象检测器检测视频图像上的对象，并确认位于第一盲区的第一对象；以及(b)通过参照从安装在智能头盔上的GPS传感器、加速传感器及地磁传感器中的至少一部分中获取的传感器信息来判断智能头盔方向及双轮车行驶方向后，通过参照智能头盔方向和双轮车行驶方向来确认与第一对象中的双轮车相对应的位于第二盲区的第二对象，并通过安装在所述智能头盔上的平视显示器来显示第二对象，或通过扬声器的声音警报来表示第二对象位于第二盲区。
-
公开(公告)号：CN111488880A
公开(公告)日：2020-08-04
申请号：CN201911055501.9
申请日：2019-10-31
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及用于提高利用边缘损失来检测事件的分割性能的方法装置。提供一种用于提高分割性能的学习方法，该分割性能用于检测行人事件、汽车事件、掉下事件、掉落事件等事件。所述方法包括以下步骤：所述学习装置(a)使k个卷积层生成k个编码特征映射；(b)使(k-1)个反卷积层依次生成(k-1)个解码特征映射，所述学习装置使h个掩膜层参考从与其对应的h个反卷积层输出的h个基本解码特征映射以及从所述h个基本解码特征映射中提取边缘部分来生成的h个边缘特征映射；以及(c)使h个边缘损失层参考所述边缘部分和与其对应的GT来生成h个边缘损失。另外，所述方法可以增加检测交通标志、地标和道路标志的程度。
-
公开(公告)号：CN111488879A
公开(公告)日：2020-08-04
申请号：CN201910998759.6
申请日：2019-10-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明公开利用双嵌入构成的用于提高分割性能的方法及装置。所述学习方法包括：学习装置(i)使相似度卷积层对从神经网络输出的特征进行相似度卷积运算生成相似度嵌入特征的步骤；(ii)使相似度损失层参考从所述相似度嵌入特征抽样的两点之间的相似度及对应于其的GT标签图像生成相似度损失的步骤；(iii)使距离卷积层对所述相似度嵌入特征进行距离卷积运算生成距离嵌入特征的步骤；(iv)使距离损失层为了增大实例分类的平均值之间的相互分类之差且减小所述实例分类的分类内离散值而生成距离损失的步骤；以及(v)反向传播所述相似度损失及所述距离损失中的至少一个的步骤。本发明能够更明确地识别各分类且更准确地提取各分类的至少一个边缘部分以准确地识别客体。
-
公开(公告)号：CN111488786A
公开(公告)日：2020-08-04
申请号：CN201911291795.5
申请日：2019-12-16
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及一种基于能够根据客体尺度转换模式的CNN的监视用客体检测器的学习方法。本发明提供一种学习方法，包括以下步骤：学习装置(a)使卷积层对图像应用卷积运算而输出特征图，并且使RPN输出图像内的ROI；(b)使池化层按相应尺度池化特征图上的各个ROI区域，从而使第1FC层输出第二特征向量，并且使第2FC层输出类信息和回归信息；以及(c)使损失层参照类信息、回归信息及与类信息、回归信息对应的GT来生成类损失和回归损失。
-
Patent Agency Ranking
公开(公告)号：CN111488783A
公开(公告)日：2020-08-04
申请号：CN201911016989.4
申请日：2019-10-24
Applicant: 斯特拉德视觉公司
Abstract: 本发明提供一种能够基于根据图像内的对象状态转换模式的CNN检测至少一个伪3D边界框的学习方法，该方法包括如下步骤：步骤a)，使池化层生成与2D边界框对应的池化特征图，并使类型–分类层判断池化特征图上的对象是否被截断；步骤b)，使FC层生成与伪3D边界框对应的框型信息；步骤c)，使分类层生成有关对象的方向类信息，并使回归层生成有关伪3D边界框的坐标的回归信息；以及步骤d)，使由FC损耗层生成的类损耗值及回归损耗值反向传播，通过所述方法，能够补偿在虚拟驾驶中被截断的对象，且能够用于智能设备以及军事目的。
-
公开(公告)号：CN111476362A
公开(公告)日：2020-07-31
申请号：CN201911294370.X
申请日：2019-12-16
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及确定FL值的方法及装置。一种确定FL值的方法，该FL值为与量化的值中所包含的LSB的大小相对应的FL参数，其特征在于，包括：步骤a，计算装置若获取到包含原始值的原始向量，则参照(i)BW值及(ii)各个FL候补值来在所述原始值适用量化运算，由此生成各个量化的向量；步骤b，所述计算装置对与各个所述量化的向量所包含的所述量化的值及所述原始向量所包含的所述原始值之间的各个差异有关的信息适用加权量化损失运算，由此生成与各个所述FL候补值相对应的加权量化损失值；以及步骤c，所述计算装置参照所述加权量化损失值，在所述FL候补值中确定所述FL值。
-
公开(公告)号：CN111462130A
公开(公告)日：2020-07-28
申请号：CN201911309931.9
申请日：2019-12-18
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及使用车道掩码检测车道线的方法及装置。所述方法包括：(a)(i)对输入图像适用第一卷积运算生成最终特征图，(ii)生成了分割得分图及嵌入特征图的状态下，学习装置获取最终特征图、分割得分图及嵌入特征图的步骤；(b)车道掩蔽层(i)从最终特征图上识别对应于包含在输入图像的车道线的一个以上的车道线后补，(ii)对与车道线后补对应的一个以上的区域赋予加权值以在最终特征图上生成车道掩码，(iii)生成掩蔽的特征图的步骤；(c)生成车道特征图的步骤；(d)生成softmax得分图，生成车道参数的步骤；(e)(i)生成柔性最大值损失值，(ii)生成直线拟合损失值，(iii)反向传播柔性最大值损失值及直线拟合损失值以学习第一FC层、第二FC层及卷积层的参数的步骤。
-
公开(公告)号：CN111462129A
公开(公告)日：2020-07-28
申请号：CN201911292063.8
申请日：2019-12-16
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及一种为了满足自动行驶汽车的级别4而根据区域的类转换模式并按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的方法。本发明提供一种能够具有应用到具有各个距离的各个区域的各个最佳参数而能够用作监视用CCTV的方法，其特征在于，包括以下步骤：学习装置：(a)(i)使编码层生成编码特征图，并且(ii)使解码层生成解码后特征图；(b)在将特定解码后特征图划分为网格单元的情况下，使加权卷积层将加权卷积滤波器设定为与各个网格单元对应，对特定解码后特征图应用加权卷积运算；以及(c)反向传播损失。
-
公开(公告)号：CN111016929A
公开(公告)日：2020-04-17
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。
-
-
-
-
-
-
-
-
-
Search Results
288
records
(took 0.051 seconds)
