-
公开(公告)号：CN111507501B
公开(公告)日：2024-02-09
申请号：CN202010068642.0
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
IPC: G06Q10/047 , G06N3/092
Abstract: 本发明提供一种通过强化学习来执行个性化路径规划的方法及装置，该方法及装置对应于目标驾驶员的个性化最优策略，该个性化最优策略是通过对基于自动驾驶的公共准则而建立的公共最优策略进行调整后获得的，所述方法包括以下步骤：学习装置指示调整奖励网络，通过参考与包括在驾驶轨迹中的实际状况向量及实际状况相关的信息，生成第一调整奖励；指示公共奖励模块，通过参考与实际状况向量及实际动作相关的信息，生成第一公共奖励；指示估算网络，通过参考实际状况向量，生成实际估算值；以及学习装置指示第一损失层生成调整奖励损失，并以调整奖励损失为参照进行反向传播来学习调整奖励网络的至少一部分参数。
-
公开(公告)号：CN111507369B
公开(公告)日：2023-11-28
申请号：CN202010017625.4
申请日：2020-01-08
Applicant: 斯特拉德视觉公司
Abstract: 检测结果提高自动行驶车辆的安全性的效果。本发明公开通过整合第一客体检测信息及第二客体检测信息生成整合客体信息的学习方法及学习装置、测试方法及测试装置。即，公开的方法的特征在于包括(a)学习装置使连接(concatenating)网络生成一个以上的对特征向量的步骤；(b)所述学习装置使判别网络对所述对特征向量适用FC运算生成(i)判别向量及(ii)框回归(regression)向量的步骤；以及(c)所述学习装置使损失单元参照所述判别向量与所述框回归向量，及与其对应的GT(Ground Truth)生(56)对比文件Hui Li et al..Towards End-to-End CarLicense Plates Detection and Recognitionwith Deep Neural Networks.Computer Visionand Pattern Recognition.2017,第1-9页.Zhen Ye et al..A Decision FusionModel for 3D Detection of AutonomousDriving.2018 Chinese AutomationCongress.2018,第3773-3777页.
-
公开(公告)号：CN111507160B
公开(公告)日：2023-11-14
申请号：CN202010070470.0
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
IPC: G06V20/56 , G06V10/25 , G06V10/82 , G06N3/084 , G06N3/0464 , G06V10/766
Abstract: 本发明是集成从执行协同驾驶的车辆获取的行驶图像的方法及装置。本发明提供一种针对从执行协同驾驶的车辆中获取的行驶图像进行集成的方法，其特征在于，安装于主车辆上的主行驶图像集成装置执行以下步骤：(a)将主行驶图像输入到主客体检测器，(1)通过主卷积层运用卷积运算，生成主特征图，(2)通过主RPN生成主ROI，(3)通过主池化层运用池化运算，生成主池化特征图，(4)通过主FC层运用FC运算，生成主客体相关主客体检测信息；(b)将主池化特征图输入到主置信网络，生成主置信度；及(c)从子车辆获得子客体检测信息和子置信度，并利用主及子置信度集成主客体检测信息和子客体检测信息。
-
公开(公告)号：CN111507162B
公开(公告)日：2023-11-07
申请号：CN202010071232.1
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
IPC: G06V20/56 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/94 , H04W4/46 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于车辆间通信(Vehicle To Vehicle Communication)来警告车辆的盲点(Blind Spot)的方法，该方法包括：步骤(a)，若从后方摄像头获取第一车辆的后方影像，则第一盲点警告装置将后方影像传送到盲点监测器，利用卷积神经网络来确定多个周边车辆是否位于后方影像，并输出第一盲点监测信息，上述第一盲点监测信息用于确认多个周边车辆是否位于后方影像；和步骤(b)，若通过车辆间通信来从第二车辆的第二盲点警告装置获取用于确认第二车辆是否位于盲点的第二盲点监测信息，则第一盲点警告装置参照第一盲点监测信息及第二盲点监测信息来警告多个周边车辆及第二车辆中的至少一个位于盲点。
-
公开(公告)号：CN111488789B
公开(公告)日：2023-11-07
申请号：CN202010016997.5
申请日：2020-01-08
Applicant: 斯特拉德视觉公司
IPC: G06V40/10 , G06V20/58 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及用于基于图像分析的监视的行人检测方法及装置，具体涉及基于图像分析而不受环境影响的监视中使用或军事目的的测试用行人检测器的学习方法，本发明作为对被标签的图像不足问题的解决对策而提供，并且用于减少注释费用，本发明可利用GAN来执行，特征在于，包括如下步骤：将训练图像上的各个区域修剪来生成图像补丁，使对抗式变换器将各个行人变换成难以进行检测的变形行人，从而生成变形图像补丁；及用变形图像补丁来代替各个区域而生成变形训练图像，并使上述行人检测器检测变形行人，以使损失最小化的方式学习行人检测器的参数，并通过生成包括基于自演化系统进行的本学习难以进行的例示的训练数据，从而不受对抗模式的影响。
-
Patent Agency Ranking
公开(公告)号：CN111462130B
公开(公告)日：2023-10-17
申请号：CN201911309931.9
申请日：2019-12-18
Applicant: 斯特拉德视觉公司
IPC: G06T7/11 , G06N3/0464 , G06N3/084
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：CN111460879B
公开(公告)日：2023-09-26
申请号：CN201911310674.0
申请日：2019-12-18
Applicant: 斯特拉德视觉公司
Abstract: 本发明公开了根据区域类别来切换模式以满足自动驾驶汽车4级而利用网格生成器的神经网络运算方法及使用该方法的装置，该方法包括以下步骤：计算装置(a)使配对检测器检测出测试用配对，获取与所述测试用配对相关的类别信息和位置信息；(b)使所述网格生成器参考与所述测试用配对相关的所述位置信息来生成区块信息；(c)使神经网络参考利用与学习用配对相关的信息来学习的学习用参数来确定测试用参数；以及(d)使所述神经网络利用各所述测试用参数，将所述神经网络运算应用到测试图像中，输出一个以上的神经网络结果。
-
公开(公告)号：CN111008999B
公开(公告)日：2023-09-26
申请号：CN201910916111.X
申请日：2019-09-26
Applicant: 斯特拉德视觉公司
IPC: G06T7/277 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及用包含跟踪网络的CNN跟踪对象的方法和使用该方法的装置，包括以下步骤：(a)测试装置用当前影像帧获得特征映射，并使区域提议网络将运算应用于特征映射，生成提议框的信息；(b)测试装置执行以下处理：(i)(i‑1)根据先前边界框的先前状态向量，通过用卡尔曼滤波算法生成先前边界框的预测状态向量，(i‑2)与预测状态向量对应地，生成当前影像帧上的预测边界框，(i‑3)将选择的特定提议框确定为种子框；(ii)输出位置敏感得分图；(c)使池化层对在位置敏感得分图上与种子框对应的区域进行池化，计算出类别得分和回归增量；(d)参考回归增量和种子框，生成当前边界框，用卡尔曼滤波算法调整当前边界框。
-
公开(公告)号：CN111476248B
公开(公告)日：2023-09-22
申请号：CN201911315993.0
申请日：2019-12-19
Applicant: 斯特拉德视觉公司
IPC: G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明是学习用于满足KPI的硬件优化的、用于图像识别的CNN的参数的方法，包括：(1)使得第一变换层或池化层按ROI串联池化的ROI特征图上的对应的相同的各个位置的各个像素生成整合特征图的步骤；(2)(i)使得第二变换层从整合特征图按像素分离体积经过调整的调整特征图，使得分类层按ROI生成客体信息，或者(ii)反向传播客体损失的步骤，其中，本发明中通过同一处理器执行卷积运算及FC运算，因此能够减小芯片(Chip)的尺寸，具有无需在半导体制作过程中添加另外的线的优点。
-
公开(公告)号：CN111462193B
公开(公告)日：2023-09-12
申请号：CN201911330694.4
申请日：2019-12-20
Applicant: 斯特拉德视觉公司
IPC: G06T7/292 , H04N7/18 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种利用图像串联以及目标对象集成网络，来学习适合诸如关键绩效指标(Key Performance Index)的客户要求的，基于CNN的对象检测器的参数的方法。所述CNN，可以根据所述关键绩效指标的分辨率或焦距的变化而变化的对象的规模进行重新设计。所述方法包括：学习装置使图像处理网络，生成n个处理图像；使RPN，在所述处理图像中分别生成第1至第n对象候选，使FC层，生成第1至第n对象检测信息；以及使所述目标对象集成网络，集成所述对象候选，以及集成所述对象检测信息。在此方法中，所述对象候选可利用激光雷达(Lidar)生成。通过所述方法，提高了2D边界框的准确度，可在多摄像机、环绕视图监控(Surround View Monitoring)等有效执行。
-
-
-
-
-
-
-
-
-
Search Results
234
records
(took 0.152 seconds)
