-
公开(公告)号：CN115810357A
公开(公告)日：2023-03-17
申请号：CN202211503850.4
申请日：2022-11-28
Abstract: 本申请涉及一种轻量级语音关键词识别方法、设备、介质，所述方法包括：获取待识别语音，并转换为特征帧向量，输入关键词识别模型，获取与目标关键词匹配的分类标签的概率数组，根据概率数组确定待识别语音内是否包含目标关键词，其中，关键词识别模型包括：时间卷积模块，包括多个按照预设的空洞系数组合的卷积层，用于提取时序间相关性信息；嵌套模块；压缩模块，包括多个按照预设的步长组合的卷积层，用于对时间卷积模块和嵌套模块的输出在通道深度拼接后的数据进行压缩与特征提取；全连接分类输出模块，用于获取概率数组。在参数量及运算复杂度均较小的轻量级约束下，本方法获得了较好识别准确率，从而更适合在嵌入式系统上进行部署。
-
公开(公告)号：CN118583158A
公开(公告)日：2024-09-03
申请号：CN202410432875.2
申请日：2024-04-11
Abstract: 本发明属于视觉惯性里程计技术领域，具体为一种基于事件相机的高频率的视觉惯性里程计方法。本发明利用异步角点检测算法创建事件块，再对事件块进行对齐构建视觉特征误差函数，实现对系统位姿的估计，并通过对事件块中心坐标进行参数化和在对齐时引入IMU预积分数据提高事件块对齐精度和速度，最后采用联合优化的方式将事件块的视觉误差、IMU的惯性误差和边缘化先验误差构建成代价函数，通过优化估计出系统的位姿信息，提高系统的精度和输出频率。本发明方法解决了在高动态、高速环境下，系统难以以高频率输出精准的位姿信息的问题，为极端场景下运行的穿越机或自动驾驶位姿信息获取提供解决方案。
-
公开(公告)号：CN115454130B
公开(公告)日：2025-03-14
申请号：CN202211168834.4
申请日：2022-09-25
Applicant: 复旦大学
Abstract: 本发明属于无人机控制技术领域，具体为一种基于机载视角相对定位的室内无人机编队控制方法。本发明方法包括：地面站预先规定室内飞行过程中期望的无人机编队队形，包括设定跟随者与领航者之间期望的距离以及角度，并根据预先设定的飞行任务，规划领航者飞行路径，跟随者通过机载摄像头第一视角完成动态飞行中对领航者机载标签的相对定位，不需要全局定位信息。系统包括：地面控制站、无人机、通信设备，地面控制站包括视觉图像处理系统与编队控制器，通信设备包括收发机及路由器。与传统的编队方案相比，本发明仅利用机载视觉传感器，硬件成本低，稳定性好且适用范围广，属于轻量级的无人机编队系统。
-
公开(公告)号：CN113643212B
公开(公告)日：2024-04-05
申请号：CN202110994446.0
申请日：2021-08-27
Applicant: 复旦大学
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提供一种基于图神经网络的深度图降噪方法，包括如下步骤：步骤1，获取二维的RGB图像和深度图像并进行特征选择，得到相应的特征通道数据，而后将已选择的特征通道数据映射为向量形式，得到多个特征向量并进行拼接，得到特征矩阵，同时采用田字结构选择邻居节点，构造邻接表；步骤2，构造基于图卷积网络GCN和注意力机制层的网络模型；步骤3，对误差函数进行优化，而后与网络模型结合，得到优化后的网络模型；步骤4，将特征矩阵和邻接表输入优化后的网络模型，得到降噪后的深度图像。采用本发明的方法降低了网络模型的参数量，无需对图像进行裁剪，有效地提高了端到端网络的深度图降噪的性能。
-
公开(公告)号：CN113643212A
公开(公告)日：2021-11-12
申请号：CN202110994446.0
申请日：2021-08-27
Applicant: 复旦大学
Abstract: 本发明提供一种基于图神经网络的深度图降噪方法，包括如下步骤：步骤1，获取二维的RGB图像和深度图像并进行特征选择，得到相应的特征通道数据，而后将已选择的特征通道数据映射为向量形式，得到多个特征向量并进行拼接，得到特征矩阵，同时采用田字结构选择邻居节点，构造邻接表；步骤2，构造基于图卷积网络GCN和注意力机制层的网络模型；步骤3，对误差函数进行优化，而后与网络模型结合，得到优化后的网络模型；步骤4，将特征矩阵和邻接表输入优化后的网络模型，得到降噪后的深度图像。采用本发明的方法降低了网络模型的参数量，无需对图像进行裁剪，有效地提高了端到端网络的深度图降噪的性能。
-
Patent Agency Ranking
公开(公告)号：CN109584213A
公开(公告)日：2019-04-05
申请号：CN201811316393.1
申请日：2018-11-07
Applicant: 复旦大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06T2207/10016 , G06T2207/20081 , G06T2207/20104
Abstract: 本发明涉及一种基于深度学习的实时自主跟踪方法，提出了基于深度学习的人工神经网络的计算机视觉目标检测与计算机视觉目标跟踪算法，可利用高性能计算单元运行神经网络的运算单元检测目标，而后运行目标跟踪算法对所有目标同时实现跟踪，并可以手工介入选择特定目标专注单人跟踪。相比较传统的单目标跟踪算法，传统单目标跟踪需要手动框选目标，但对于移动目标，框选时往往会因为操作延时导致框选失效。本算法避免了人工框选目标的操作延时导致的框选不准和目标偏离。本发明构建了“摄像头-服务器”的架构，将摄像头中所有目标数据同时处理，实现全区域的多人跟踪和单人持续跟踪，实验结果表明，本发明能够实现实时的神经网络运算，进而结合目标跟踪算法，实现“检测、选人”两步跟踪效果。
-
公开(公告)号：CN105184301B
公开(公告)日：2018-06-26
申请号：CN201510562314.5
申请日：2015-09-07
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉与模式分析技术领域，具体为一种利用四轴飞行器判别车辆方位的方法。本发明方法首先对无人机拍摄到的视频数据进行车辆识别，再检测识别到的车辆的车轮形状和两个车轮的相对位置，并以此为根据判断车辆与飞行器的相对方位，为飞行器自主对准车牌提供控制信息。大量飞行器实际拍摄的视频流的实验结果证实了本发明方法的有效性。
-
公开(公告)号：CN107817820A
公开(公告)日：2018-03-20
申请号：CN201710961301.4
申请日：2017-10-16
Applicant: 复旦大学
IPC: G05D1/12
CPC classification number: G05D1/0088 , G05D1/12
Abstract: 本发明公开了一种基于深度学习的无人机自主飞行控制方法与系统，提出了基于深度学习的人工神经网络的计算机视觉目标检测与朝向估计算法，利用搭载云台相机的多旋翼无人机采集图像，利用运行神经网络的运算单元检测目标并估计目标朝向，最后结合控制算法将控制指令反馈到无人机飞行控制器。本发明构建了“数据采集单元-深度学习运算单元-飞行控制单元”的分布式数据采集运算与控制回环，实验结果表明，本发明能够实现实时的神经网络运算，进而结合控制算法实现无人机快速自主发现目标、靠近目标并以特定姿态跟踪目标的效果。
-
公开(公告)号：CN102891816B
公开(公告)日：2016-08-03
申请号：CN201210411234.6
申请日：2012-10-25
Applicant: 复旦大学
Abstract: 本发明属于通信技术领域，具体为一种基于MIMO?OFDM相关信道的信道预测方法。本发明首先分析了信道相关函数可以去耦合写成时间、频率、相关性有关的独立函数之间，然后该方法利用AR模型建模，分三步经过三个滤波器，三个滤波器分别考虑时间、频率、空间相关特性。从仿真可以得出，有效的利用频率和空间相关性可以改善预测性能。本发明方法在降低计算复杂度的同时有效的提高了预测性能。
-
公开(公告)号：CN104821836A
公开(公告)日：2015-08-05
申请号：CN201510200043.9
申请日：2015-04-26
Applicant: 复旦大学
IPC: H04B1/7075
Abstract: 本发明属于通信技术领域，具体为改进的补零与频域采样相结合的PN码快速捕获算法。本发明方法首先对本地序列进行相加处理，对接收序列进行时域降采样，分别得到新的本地序列和降采样后的接收序列；然后，通过频域采样构造新的本地序列部分频域集，与降采样后的接收序列进行相关运算，实现相位粗捕获；最后，通过去除采样相位模糊度操作实现细搜索，得到序列精确相位。理论分析和仿真结果表明，该方法扩大了伪码搜索范围，降低了伪码搜索计算复杂度，节省了计算开销，提高了搜索效率，具有良好的捕获效果。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.021 seconds)
