-
公开(公告)号：CN119274539A
公开(公告)日：2025-01-07
申请号：CN202411397414.2
申请日：2024-10-09
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种端到端的普通话和低资源粤语统一识别方法，属于语音识别领域。本发明应用于普通话和粤语同时识别的场景。该发明采用端到端的CTC‑Attention联合训练方法，且构建了普通话‑粤语统一识别字典，并结合语言识别LID模块缓解了多语言识别中存在的上下文识别混淆的问题。本发明通过构建端到端的语音识别神经网络模型架构实现普通话和低资源粤语的统一识别，并提出了一种建模单元的构建方式，提升模型的收敛性能。该端到端的语音识别方法能够在普通话和粤语同时出现的场景下的完成语音识别的需要，并达到较好的性能。
-
公开(公告)号：CN116416124A
公开(公告)日：2023-07-11
申请号：CN202310465984.X
申请日：2023-04-27
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于背景差分的安全场景预警方法，属于目标识别领域。本发明使用背景差分方法，选定背景帧作为参考，提取出图像中的物体，并通过几何空间关系计算判断物体是否为障碍物、越界或超量。本发明采用静止的摄像头和光照条件，并基于空间几何计算方法区分静止和移动的物体，用于在工作场景中的危险行为预警，为操作人员提供实时精准辅助，有效提高生产安全系数。本发明适用于三种场景：检测通道中是否存在较大尺寸的静止障碍物；检测工具台上的工具是否距离工具台边缘过近或越界(防止跌落)；检测工具台上的零部件是否属于且仅属于一个完整的产品。
-
公开(公告)号：CN117553796A
公开(公告)日：2024-02-13
申请号：CN202311511370.7
申请日：2023-11-14
Applicant: 北京计算机技术及应用研究所
IPC: G01C21/20
Abstract: 本发明涉及一种基于图算法的多机器人协同巡逻方法，属于机器人控制领域。本发明包括三个子模块，分别是巡逻区域分配模块、巡逻路径规划模块和可视化前端展示模块。本发明不需要借助额外传感器使机器人互相协同作业，只需要布置任务前的一次计算，即可得到协同巡逻方案；本发明能够让计算得到的方案最优，使得各个机器人得到的巡逻区域面积相等；本发明能够让各个机器人巡逻路径是固定的单一闭环，不会存在某些道路重复多次巡逻，而某些道路巡逻较少的问题；同时本发明能够让每个机器人巡逻路径行走直线较多，转弯较少，提高巡逻效率。
-
公开(公告)号：CN117197724A
公开(公告)日：2023-12-08
申请号：CN202311372361.4
申请日：2023-10-23
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种吊装作业场景下危险行为检测方法，属于目标检测领域。本发明的危险区域检测模块在吊装场景中主要判断操作人员是否进入划定的危险区域，例如跨越吊物或者从吊物下钻过。对于违规的操作人员则进行报警提醒。人数检测模块在吊装场景中主要对进入工作区域的人员进行计数，对超过安全工作人员数量的危险工作场景进行报警。本发明仅需要单目摄像头即可完成对于吊物作业场景下，危险行为的识别和报警以及操作人数计数报警，需要硬件和计算资源较低，容易部署；可以实时检测危险行为并作出实时报警响应，并将包含危险行为的关键帧进行储存。
-
公开(公告)号：CN119692411A
公开(公告)日：2025-03-25
申请号：CN202411679953.5
申请日：2024-11-22
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06F18/214 , G06N3/045 , G06V10/82 , G06V10/764 , G06V10/74 , G06N5/04
Abstract: 本发明涉及一种提升多模态模型细颗粒度判别能力的微调优化方法，属于人工智能领域。本发明通过对微调阶段的图像编码器通道引入ArcFace的角度边界辅助损失来优化图像和文本的联合表示学习。该方法包括预训练和微调两个阶段，预训练阶段使用在大规模图像‑文本对数据集上进行训练，微调阶段则基于特定领域数据集通过固定文本分支的全部参数和图像分支的多数参数，并在图像分支结合辅助损失函数调整模型参数，从而实现多模态模型对特定细颗粒场景判别能力的优化提升。
-
Patent Agency Ranking
公开(公告)号：CN119226631A
公开(公告)日：2024-12-31
申请号：CN202411296848.3
申请日：2024-09-18
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/9536 , G06N20/20 , G06F18/2135 , G06F18/2431
Abstract: 本发明涉及一种基于协同过滤的分布式自动机器学习方法，属于自动机器学习领域。本发明为元知识库中的每个数据集搜索前N个模型并将它们存储在哈希字典中，并计算元知识库中的数据集的元特征子集的权重；基于协同过滤的分布式AutoML框架CF‑DAML，首先通过模型推荐模块计算新数据集的元特征并为其推荐合适的模型，然后，CF‑DAML在指定的时间限制内使用分布式模型训练系统DSTM在新数据集的训练集上训练推荐出的模型，并在其验证集上评估训练的模型，最后，CF‑DAML采用选择性堆叠集成系统MSSE集成几个高性能模型为新数据集的测试集预测标签。本发明在保证分类准确率提升的基础上大大降低了时间复杂度。
-
公开(公告)号：CN118329034B
公开(公告)日：2024-10-01
申请号：CN202410385471.2
申请日：2024-04-01
Applicant: 北京计算机技术及应用研究所
IPC: G01C21/20
Abstract: 本发明涉及一种多机器人围堵方法，属于机器人技术领域。本发明的指控系统通过下发目标点并选择参与该任务的机器人，调用最短路算法计算各个机器人到目标的最短路径并下发给机器人，机器人即可沿着最短路径朝目标行进；通过计算几何知识截取路径并计算围堵点，使得各个机器人到达各自围堵点对目标进行围捕处置；根据路径和围堵点计算行驶路线长度，进而计算各个机器人的速度，使得所有机器人同时到达各自围堵点。本发明不需要实时建图，进而优化了时间复杂度；本发明采用的集中式软件独立于机器人本身，不因某一机器人的损坏影响围堵任务的进行，容错性较好。
-
公开(公告)号：CN118329034A
公开(公告)日：2024-07-12
申请号：CN202410385471.2
申请日：2024-04-01
Applicant: 北京计算机技术及应用研究所
IPC: G01C21/20
Abstract: 本发明涉及一种多机器人围堵方法，属于机器人技术领域。本发明的指控系统通过下发目标点并选择参与该任务的机器人，调用最短路算法计算各个机器人到目标的最短路径并下发给机器人，机器人即可沿着最短路径朝目标行进；通过计算几何知识截取路径并计算围堵点，使得各个机器人到达各自围堵点对目标进行围捕处置；根据路径和围堵点计算行驶路线长度，进而计算各个机器人的速度，使得所有机器人同时到达各自围堵点。本发明不需要实时建图，进而优化了时间复杂度；本发明采用的集中式软件独立于机器人本身，不因某一机器人的损坏影响围堵任务的进行，容错性较好。
-
公开(公告)号：CN119780942A
公开(公告)日：2025-04-08
申请号：CN202510041891.3
申请日：2025-01-10
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于lidar和imu的即时定位方法，属于智能机器人和自动驾驶领域。本发明通过数据采集模块获得lidar数据和imu数据，并输入到即时定位程序中；在数据优化模块中利用imu数据对lidar扫描数据中的点云进行运动畸变矫正；使用自适应数据关联模块矫正lidar数据；将lidar数据的预测状态和imu数据的预测状态输入到扩展卡尔曼滤波优化模型中进行优化处理，获得优化后的结果；将优化后的结果进行位姿估计，获得位姿结果信息。本发明提高了程序的可维护性和灵活性；减少了程序中数据误差的传播；减少了程序在不同类型环境中进行参数调整的工作量。
-
公开(公告)号：CN119670832A
公开(公告)日：2025-03-21
申请号：CN202411621205.1
申请日：2024-11-14
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06F18/213 , G06F18/214 , G06N20/20 , G06N20/00 , G06F21/62 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种通信受限条件下的边云协同训练方法，属于边云协同领域。本发明融合了联邦学习和分割学习两种分布式机器学习算法，解决了传统的联邦学习因边缘设备算力限制而造成的无法训练或训练过慢的问题，能够充分利用边缘设备和云端设备的算力资源。同时模型分割后，通过对边缘设备侧特征提取器获取的中间层特征进行1bit量化操作和加噪声处理，缓解了边云协同训练时易造成的数据隐私安全问题。边缘设备侧的特征提取器无需在训练过程中进行参数更新，因此不需要进行边云之间多轮梯度的交换传输，且中间层特征经过量化操作后特征大小被极大压缩，这些都减小了边云协同训练时的通信占用，适用于通信受限的场景。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.034 seconds)
