-
公开(公告)号：CN111476362B
公开(公告)日：2024-05-03
申请号：CN201911294370.X
申请日：2019-12-16
Applicant: 斯特拉德视觉公司
IPC: G06N3/09 , G06N3/0464
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：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：CN111104840B
公开(公告)日：2024-01-09
申请号：CN201910862401.0
申请日：2019-09-12
Applicant: 斯特拉德视觉公司
Abstract: 基于回归损失的学习及测试的方法及装置。本发明提供一种基于回归损失学习卷积神经网络(CNN)的参数的方法，其特征在于，包括：学习装置，使第1卷积层至第N卷积层，生成第1编码特征图至第N编码特征图；使第N反卷积层至第1反卷积层，从所述第N编码特征图，生成第N解码特征图至第1解码特征图；参照所述解码特征图的特征，生成障碍物分割结果；参照特定解码特征图的各所述列的近距离障碍物的下端线推定存在的各特定行位置，与GT图像中各所述列的各所述下端线实际所处的各行位置之间的距离差，生成所述回归损失；反向传播所述回归损失，学习所述参数。
-
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。
-
Patent Agency Ranking
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。
-
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：CN111507469B
公开(公告)日：2023-10-13
申请号：CN202010045709.9
申请日：2020-01-16
Applicant: 斯特拉德视觉公司
IPC: G06N3/0985 , G06F18/2415 , G06N3/0464
Abstract: 本发明提供为了减少运算时间而对自动标注并自动评价待利用于学习神经网络的训练图像的自动标注装置的超参数(hyperparameter)进行优化的方法。上述方法的特征在于，包括：步骤(a)，优化装置使上述自动标注装置生成具有固有自动标签的原始图像和具有固有真标签及自动标签的验证图像，从而将上述具有固有自动标签的原始图像分类为简单原始图像和复杂原始图像，将上述具有固有真标签及自动标签的验证图像分类为简单验证图像和复杂验证图像；步骤(b)，计算上述自动标注装置的当前可信度，生成样品超参数组，计算上述自动标注装置的样品可信度，对预设超参数组进行优化。通过强化学习的策略梯度算法(policy gradient algorithm)来执行上述方法。
-
公开(公告)号：CN111507335B
公开(公告)日：2023-10-13
申请号：CN202010045702.7
申请日：2020-01-16
Applicant: 斯特拉德视觉公司
IPC: G06V10/25 , G06V20/70 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明提供用于获得高精密度的对待利用于学习神经网络的训练图像进行自动标注(auto‑labeling)的方法，包括：步骤(a)，自动标注装置使元感兴趣区域(ROI，Region Of Interest)检测网络输出特征地图，获得特定训练图像上的对象根据各个位置进行分组的n个当前元感兴趣区域；以及步骤(b)，自动标注装置通过在特定训练图像上对与n个当前元感兴趣区域相对应的区域进行裁剪(crop)来生成n个加工图像，使对象检测网络分别输出具有分别与n个加工图像有关的各个边界框的n个所自动标注的加工图像，通过合并n个所自动标注的加工图像来生成所自动标注的特定训练图像。方法可利用使用策略梯度算法(policy gradient algorithm)的强化学习、在线学习、连续学习及超参数学习来执行。
-
-
-
-
-
-
-
-
-
Search Results
292
records
(took 0.041 seconds)
