-
公开(公告)号：CN111488871B
公开(公告)日：2023-08-04
申请号：CN201911055354.5
申请日：2019-10-31
Applicant: 斯特拉德视觉公司
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/082 , G06N3/0464 , G06N3/084
Abstract: 本发明提供可转换模式的基于R‑CNN的用于监视的方法和装置。提供一种基于R‑CNN(Region‑based Convolutional Neural Network)的对象检测器(Object Detector)的学习方法，包括信号灯等的对象的纵横比和尺度可以根据例如距对象检测器的距离、对象的形状等特性来确定，学习方法的特征在于，包括如下步骤：学习装置使区域建议网络生成候选感兴趣区域的步骤；使池化层输出特征向量的步骤；以及通过反向传播学习FC层和卷积层的步骤，在本方法中，池化处理可以利用由雷达、激光雷达(Lidar)或其他传感器获得的距离信息和对象信息并按照对象的实际比例和实际尺寸来执行，学习方法和测试方法在特定位置的同一视图中具有相似的大小，因此可以用于监视。
-
公开(公告)号：CN110874564B
公开(公告)日：2023-08-04
申请号：CN201910806797.7
申请日：2019-08-29
Applicant: 斯特拉德视觉公司
IPC: G06V20/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供基于CNN(Convolutional Neural Network)的、用于检测至少一个车线的学习方法，包括：(a)学习装置获得编码的特征图和关于输入图像内的车线后补像素的信息的步骤；(b)学习装置将概率分值小于预设的临界值的车线后补像素的第一部分分类为强线像素，将概率分值小于临界值大于等于其他临界值的车线后补像素的第二部分分类为弱线像素的步骤；及(c)学习装置在弱线像素与强线像素之间的距离小于预设距离的情况下，将弱线像素分类为属于附加强线的像素，将属于强线和附加强线的像素判断为对应于属于车线的像素的步骤。
-
公开(公告)号：CN111507171B
公开(公告)日：2023-08-01
申请号：CN202010075360.3
申请日：2020-01-22
Applicant: 斯特拉德视觉公司
IPC: G06V40/18 , G06V40/10 , G06V10/82 , G06N3/0475 , B60R16/037
Abstract: 本发明涉及一种根据驾驶员状态调整驾驶员辅助装置的位置的方法，调整位置装置执行如下步骤，其中，步骤(a)，将驾驶员坐在车辆的驾驶座上并启动所述车辆之后获取的所述驾驶员的上半身图像与下半身图像输入到姿势预测网络中，获取身体关键点，计算身体部位的长度并调整驾驶座位置，步骤(b)，所述车辆行驶时，将所述上半身图像输入到人脸检测器中来检测面部，将所述面部输入到眼睛检测器中来检测眼部，将已调整的驾驶座位置与眼睛的2D坐标输入到3D坐标转换器中，参考所述2D坐标与所述驾驶座的位置来生成所述眼睛的3D坐标，并参考所述3D坐标调整所述车辆的镜子的位置。
-
公开(公告)号：CN111507460B
公开(公告)日：2023-07-28
申请号：CN202010077088.2
申请日：2020-01-23
Applicant: 斯特拉德视觉公司
Abstract: 本发明提供学习方法，利用与可停车空间的确定位置有关的概率分布和与上述确定位置之间的关系有关的关系线性段信息来检测上述可停车空间，其特征在于，包括：步骤(a)，学习装置执行如下流程(i)及流程(ii)，在流程(i)中，使第一卷积神经网络在停车情况图像适用第一卷积神经网络回归运算来计算与上述确定位置有关的一个以上的预算概率分布，在流程(ii)中，使第二卷积神经网络在上述停车情况图像适用第二卷积神经网络回归运算来生成预测关系线性段信息；以及步骤(b)，上述学习装置使损失层执行如下流程(i)及流程(ii)，在流程(i)中，使用第一损失来执行反向传播，由此学习上述第一卷积神经网络的参数。
-
公开(公告)号：CN111507169B
公开(公告)日：2023-07-28
申请号：CN202010074183.7
申请日：2020-01-22
Applicant: 斯特拉德视觉公司
Abstract: 本申请公开了一种以AVM实现注意力驱动资源分配的方法及装置，该方法及装置通过使用表示与检测客体过程并行生成的检测客体的可信度的置信度分数来在自动驾驶中实现更好性能并节约计算能力。其中，该方法包括以下步骤：(a)计算装置通过安装在对象车辆上的至少一个全景视图传感器获取对象车辆周围的至少一个环境图像；(b)计算装置指示卷积神经网络(CNN)对环境图像进行至少一个CNN运算，从而生成环境图像的初始客体信息和初始置信度信息；(c)计算装置通过参照初始客体信息和初始置信度信息，生成环境图像的最终客体信息。
-
Patent Agency Ranking
公开(公告)号：CN110910395B
公开(公告)日：2023-07-28
申请号：CN201910808347.1
申请日：2019-08-29
Applicant: 斯特拉德视觉公司
IPC: G06T7/11 , G06T7/10 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及图像编码方法和装置、利用它们的测试方法和测试装置。根据本发明，提供一种基于CNN的图像编码方法，包括以下步骤：包含第一至第n卷积层的学习装置(a)获取输入图像；(b)使卷积层的至少一部分分别执行以下步骤：(i)对输入图像或从之前的卷积层获取的输入特征映射应用转置卷积运算，生成具有彼此不同大小的转置特征映射，(ii)对转置特征映射，应用与其对应地具有不同步长和不同卷积核大小的卷积运算，生成初始特征映射作为第一组；以及(c)将第一组中所包含的初始特征映射相连接或按要素相加，生成与此对应的输出特征映射。
-
公开(公告)号：CN111507157B
公开(公告)日：2023-07-21
申请号：CN202010059382.0
申请日：2020-01-19
Applicant: 斯特拉德视觉公司
Abstract: 本发明是基于强化学习而在自动驾驶时优化资源分配的方法及装置。本发明涉及用于自动驾驶车辆的优化资源分配所需的方法及装置。更详细而言，其特征在于，包括：(a)步骤，计算装置获得至少一个注意力传感器数据后，使注意力网络计算一个以上的注意力分值；(b)步骤，所述计算装置使探测网络至少一个视频数据，并参照所述视频数据，生成至少一个自动驾驶用判断数据；(c)步骤，所述计算装置使驱动网络获得表示行驶中的所述自动驾驶车辆周边情况变化的至少一个情况数据，并参照所述情况数据，生成至少一个奖励；(d)步骤，所述计算装置使所述注意力网络，以所述奖励为参照，调整所述神经网络运算中使用的一个以上参数的至少一部分。
-
公开(公告)号：CN111476082B
公开(公告)日：2023-07-04
申请号：CN202010063590.8
申请日：2020-01-20
Applicant: 斯特拉德视觉公司
Abstract: 本发明提供了一种在线批次归一化、在线学习及持续学习的方法和装置。所述方法包括以下步骤：(a)计算装置指示卷积层获取第k批次，并对包含在所述第k批次中的所述输入图像分别进行卷积运算，生成用于第k批次的特征图；(b)计算装置指示批次归一化层，在k为1的情况下，参照所述用于第k批次的特征图，当k为2到m的整数的情况下，参照先前生成的先前特征图及所述用于第k批次的特征图，生成所述用于第k批次的特征图的一个以上的调整均值以及一个以上的调整方差，其中，所述先前特征图及所述用于第k批次的特征图是从所述第1至第(k‑1)批次中选择的，且至少被包含于一部分先前批次中。
-
公开(公告)号：CN111488880B
公开(公告)日：2023-04-18
申请号：CN201911055501.9
申请日：2019-10-31
Applicant: 斯特拉德视觉公司
IPC: G06V10/26 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
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：CN111507175B
公开(公告)日：2023-04-07
申请号：CN202010077089.7
申请日：2020-01-23
Applicant: 斯特拉德视觉公司
IPC: G06V20/56 , G06V10/82 , G06V10/774 , G06T3/00 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种方法及装置，用于学习主卷积神经网络，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：步骤(a)，学习装置获取与预设的虚拟世界中的虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分；以及步骤(b)，上述学习装置执行第一学习流程(b1)及第二学习流程(b2)，上述第一学习流程(b1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息。
-
-
-
-
-
-
-
-
-
Search Results
234
records
(took 0.039 seconds)
