公开(公告)号：CN119810248A

公开(公告)日：2025-04-11

申请号：CN202411869565.3

申请日：2024-12-18

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  康福祥 ,  吴丽君 ,  穆冰清

IPC: G06T11/20 ,  G01C21/00 ,  G06T7/73 ,  G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0464 ,  G06V10/26

Abstract: 本发明公开了一种动态环境下基于实例分割与稠密建图的SLAM方法,包括以下步骤：S1.将输入的数据分别传输给YOLOv5‑seg模块和ORB‑SLAM2中的ORB特征提取模块；S2.利用ORB特征提取模块获取图像特征信息，并利用YOLOv5‑seg模块进行目标检测与实例分割后，将分割结果传输给ORB‑SLAM2；S3.ORB‑SLAM2接收端获取到分割结果后，映射到ORB‑SLAM2进行动态特征点剔除，并基于动态特征点剔除后的数据进行跟踪；S4.在ORB‑SLAM2中进行局部建图和闭环检测校正；S5.在ORB‑SLAM2的基础上增加稠密建图模块，给出动态物体的点云过滤方案以及全局优化方案。本发明将实例分割算法与SLAM的有效结合，并在去除动态物体的基础上，对静态物体进行稠密建图，能够提供更加详细和准确的环境地图。

公开(公告)号：CN118171186A

公开(公告)日：2024-06-11

申请号：CN202410306378.8

申请日：2024-03-18

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  邓缘圆 ,  童佳洵 ,  李伟

IPC: G06F18/2415 ,  G06N3/0464 ,  G06N3/045 ,  G06F18/25

Abstract: 本发明涉及目标检测领域，具体涉及一种目标检测方法、装置、云端设备及计算机装置。方案包括计算2D检测与3D检测结果的IoU，根据2D检测和3D检测的候选目标构建稀疏张量，将稀疏张量中的多个非空元素调整为第一矩阵，并将第一矩阵输入ResNet，得到第二矩阵；将第二矩阵输入卷积神经网络，得到第一张量，并根据第一张量构建输出张量；将该输出张量通过最大池化，得到对应的第二张量，并将该第二张量映射到所需学习的目标，得到对应的概率分数图；通过概率分数图替换3D检测的置信度分数，计算3D检测结果与gt值的IoU，保留IoU>0.7的gt值，使用3D检测结果和保留的gt值计算损失函数，得到第一损失函数；通过第一损失函数对融合网络进行优化。本发明适用于目标检测。

公开(公告)号：CN116883742A

公开(公告)日：2023-10-13

申请号：CN202310855240.9

申请日：2023-07-12

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  童佳洵 ,  白霞

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/77 ,  G06V10/82 ,  G06N3/084 ,  G06N3/048 ,  G06N3/047

Abstract: 本发明公开了一种基于对比学习的激光雷达环境感知方法，包括以下步骤：S1.利用激光雷达扫描，采集目标环境的激光点云数据，并对激光点云数据进行预处理,得到点云特征数据；S2.构建MLP降维模型，对于点云特征数据中每个点的特征进行降维、过滤和学习更新后，得到成熟的MLP降维模型；S3.构建MLP分类模型，并且以将原始分类分支和重平衡分支结合，计算梯度并反向更新权重，得到成熟的MLP分类模型；S4.将目标环境中新采集到的点云数据进行环境感知。本发明有效实现了训练过程样本的平衡，有效保证了训练得到的模型的分类精度。

公开(公告)号：CN116543158A

公开(公告)日：2023-08-04

申请号：CN202310521482.4

申请日：2023-05-10

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  袁臣浩 ,  韩嘉威 ,  李伟

IPC: G06V10/26 ,  G06V20/70 ,  G06V10/40 ,  G06V10/56 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于多特征输入和矩阵监督的点云分割方法，包括：获取数据集得到点云训练以及测试数据，选取基准网络对整体数据集上的点云数据进行解耦分类；评估特征输入基准网络的最好输出结果；在每个基准网络训练过程中通过训练获得的结果计算KL散度进行联系；进行迭代训练，直到达到预设好的训练次数为止，通过多特征互学习网络结合外积矩阵KL散度在线训练互学习网络，最终得到点云语义分割结果。本发明通过互学习方式让不同的网络同时学习不同的特征，相互传递知识来增强每个网络对多特征信息的理解和利用，极大提升了网络的泛化性能，使得点云分割网络在面对实际分割场景时有着更好的鲁棒性和更准确的分割精度。

公开(公告)号：CN116580238A

公开(公告)日：2023-08-11

申请号：CN202310556396.7

申请日：2023-05-17

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  董娇 ,  韩嘉威 ,  李伟

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明涉及一种基于深度学习的栅格化点云像素级分类方法及系统，包括将二维光栅数据切分成不同大小的块，找出最佳初始感受野作为数据输入，并通过采用第一模型作为主干网络的网络模型对切分后的LIDAR二维光栅数据特征进行提取，对模型进行训练；通过信息细化块选择主干网络提取的信息特征，将不同层次特征图进行交叉融合，扩大浅层特征图的感受野；聚合邻域内相关点的特征，强化各个像素点的隐空间特征表示，进而提高了LIDAR数据的分类精度。本发明通过迁移学习对模型参数进行初始化训练，引入信息细化和交叉融合模块来选择主干网络提取的信息特征，并利用对象上下文表示完成特征加强，最终提高了栅格化后激光雷达数据的分类效果。