-
公开(公告)号：CN115761667A
公开(公告)日：2023-03-07
申请号：CN202211383301.8
申请日：2022-11-07
Applicant: 东南大学
IPC: G06V20/56 , G06V20/40 , G06V10/774 , G06V10/776 , G06V10/764 , G06V10/82 , G06V10/40 , G06V10/80 , G06V10/25 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 一种基于改进FCOS算法的无人车辆搭载摄像头目标检测方法，涉及计算机视觉领域。由无人车采集图像，将图像进行预处理后，放入改进的FCOS网络模型中进行训练，训练过程中模型会对图像进行特征提取，预测，损失计算，参数更新，经多多次迭代后，可以得到训练完成的检测模型文件，经过模型转换后，就可以应用部署在无人车等终端设备上。本发明在特征提取的能力上更强，而且构建的两阶段模型在小目标上的检测效果更优，有效地提升了模型的识别准确率，改善了模型的漏检和误检。
-
公开(公告)号：CN109324330B
公开(公告)日：2022-11-18
申请号：CN201811087892.8
申请日：2018-09-18
Applicant: 东南大学
Abstract: 本发明提供的是一种基于混合无导数扩展卡尔曼滤波的USBL/SINS紧组合导航定位方法，特别适用于水下设备的定位。本发明由超短基线水声定位系统USBL和捷联惯性导航系统SINS组成，采用混合无导数扩展卡尔曼滤波HDEKF进行组合导航。超短基线系统通过计算超声波信号在应答器和水听器之间单向传播的时间，得到两者之间的斜距测量值，并通过坐标转换公式得到观测方程。再根据捷联惯导系统的误差传递公式建立误差状态方程。最后进行混合无导数卡尔曼滤波，使用标准线性卡尔曼滤波进行时间更新，使用无导数扩展滤波进行量测更新。本发明能有效提高USBL/INS组合导航系统的导航精度和稳定性，并减少实时计算量。
-
公开(公告)号：CN115307643A
公开(公告)日：2022-11-08
申请号：CN202211018647.8
申请日：2022-08-24
Applicant: 东南大学
Abstract: 一种双应答器辅助的SINS/USBL组合导航方法，1)建立SINS/USBL组合导航状态方程，2)建立SINS/USBL斜距差量测方程，3)建立测量时序到达不一致量测模型，4)根据逆Gamma分布求解噪声参数，计算量测噪声估计结果，5)根据最大熵原则和步骤4)估计的量测噪声估计结果计算增益矩阵，6)对步骤5的模型进行卡尔曼滤波融合，对SINS进行反馈校正，输出导航结果。重复上述步骤，直至导航结束。本发明提出的基于斜距差的紧组合模型可以抑制USBL定位过程中的不可建模误差，基于最大熵与变分贝叶斯的鲁棒滤波方法对SINS/USBL的未知或者时变噪声进行最优估计，提高水下复杂环境下的定位精度。
-
公开(公告)号：CN111290398B
公开(公告)日：2022-10-25
申请号：CN202010174346.9
申请日：2020-03-13
Applicant: 东南大学
IPC: G05D1/02
Abstract: 基于生物启发神经网络和强化学习的无人艇路径规划方法。本发明涵盖如下步骤：动态调整栅格大小；改进动作集；生物启发神经网络优化设计奖励函数；设计贪婪策略；训练样本；还原路径。本发明以无人艇实际大小建立栅格模型，膨胀障碍物，保证无人艇安全通行，改进Q(λ)算法中选择合适的动作步长和状态集，加快系统收敛的速度；借助生物启发神经网络算法计算每个栅格的活性输出值优化奖励函数，避免系统收敛到局部最优解。
-
公开(公告)号：CN115018888A
公开(公告)日：2022-09-06
申请号：CN202210777017.2
申请日：2022-07-04
Applicant: 东南大学
Abstract: 本发明公开了一种基于Transformer的光流无监督估计方法。具体来说，本发明引入Transformer作为光流估计的特征编码器，利用其完全的自注意力机制，实现具有全局感受野的特征编码，有利于光流估计精度的提升。其次，在基于特征金字塔的光流解码器中，提出归一化互相关模块来计算两幅特征图之间的相关性，以使网络更加关注前景运动物体，弱化背景噪声对光流的干扰。同时，引入基于注意力的中间光流估计模块，对物体边界光流进行细化，进一步提升光流估计精度。最后，在光度一致损失和平滑损失函数的基础上，引入静态光流损失函数作为网络无监督的伪标签，为网络提供更加明确的训练方向。此方法可用于视觉导航、运动估计和图像分割等计算机视觉领域。
-
Patent Agency Ranking
公开(公告)号：CN110849356B
公开(公告)日：2022-06-28
申请号：CN201911023068.0
申请日：2019-10-25
Applicant: 东南大学
Abstract: 本发明提供的是一种地磁场异常干扰下基于动能的导航方法。当小球从山顶滑至谷底的过程中，小球的重力势能转化为动能，小球即使达到谷底，也会因为存在动能继续运动。本发明受此启发，当潜航器陷入局部区域时，潜航器保持与下落相同的运动趋势继续航行，直至摆脱局部区域。本发明能保证潜航器在不使用磁图等先验条件的情况下快速摆脱磁场异常区，使得系统具有更好的可靠性，为摆脱异常区域磁场干扰提供了一种新的导航方法。
-
公开(公告)号：CN113362377A
公开(公告)日：2021-09-07
申请号：CN202110726415.7
申请日：2021-06-29
Applicant: 东南大学
Abstract: 一种基于单目相机的VO加权优化方法。1)通过KLT对图像进行特征点提取和匹配，并进行RANSAC剔除误匹配点，并进行关键帧筛选；2)通过八点法和三角化的方式，得到特征点的位置的初始值以及帧间位姿，逆深度；3)计算光度误差和逆深度误差，从而得到权重的初始值；4)构建最小二乘问题，准备优化变量特征点位置与相机的位姿；5)迭代运算，求得最优解，获得特征点位置与相机位姿。本发明方法通过利用匹配特征点的像素差和空间逆深度差服从t‑分布的特点，分别对每一帧的特征点进行加权，尽量降低像素差异大，在相机视野内较近和较远距离的特征点对全局优化的最优解的影响。
-
公开(公告)号：CN113362251A
公开(公告)日：2021-09-07
申请号：CN202110715304.6
申请日：2021-06-27
Applicant: 东南大学
Abstract: 基于双判别器与改进损失函数的对抗网络图像去雾方法。首先，在生成器中引入两层由Inception网络组成的细节生成模块以生成包含更加准确和逼真细节的图像，其次，引入双判别器结构，判别器D1网络结构较为简单，负责对生成器生成的图片Ifake的底层特征进行判别，D2网络结构较为复杂，负责对生成器生成的图片Ifake的高层特征进行判别，当生成器G生成的图片成功同时地欺骗过判别器D1和D2时，训练结束。最后，为了针对去雾任务完成针对性优化，将暗通道先验理论引入生成器的损失函数中，提升去雾效果。本发明可用于以无人机、无人车以及无人船等为载体的，易受大雾、雨天等恶劣条件影响的基于视觉的导航、目标识别和辅助驾驶等任务。
-
公开(公告)号：CN113344113A
公开(公告)日：2021-09-03
申请号：CN202110715329.6
申请日：2021-06-27
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明提供的是一种基于改进k‑means聚类的Yolov3锚框确定方法。本发明改变传统一次k‑means聚类直接得到Yolov3锚框的方法，对样本数据进行两次聚类。第一次聚类把样本数据聚类到不同大小的三个尺度上，达到尺度分化的目的。第二次聚类在前一次聚类得到的三个聚类子集的基础上，根据样本标注框的形状特征再次进行聚类，最终得到分布三个尺度下的9个聚类结果，适配Yolov3的锚框。本发明利用两次聚类得到的锚框更加符合Yolov3的检测过程，能够减少k‑means随机初始点对最终结果的影响，两次聚类大大减少了样本的数据量，提高算法速度。
-
公开(公告)号：CN113344112A
公开(公告)日：2021-09-03
申请号：CN202110715305.0
申请日：2021-06-27
Applicant: 东南大学
Abstract: 一种基于聚类算法的动态物体识别方法，1)：将激光雷达采集到的无序点云进行有序化处理，完成三维点云到二维平面的投影；2)：通过对步骤一中每一列的离散点进行直线拟合，计算得到对应的斜率k和截距b，分割出地面点和其他点；3)：利用DBSCAN聚类算法对步骤2中的其他点进行聚类，分割成不同簇；4)：计算步骤3中分割后的各个点云簇的质心，通过帧间匹配算法分别估计各个簇类对应的变换矩阵；5)：结合上一帧的机器人位姿，并根据各簇的估计变换矩阵计算出对应的新位姿，再进行聚类，聚类后的噪声点所对应的标签即为动态物体。本发明通过直接对点云进行一系列处理，完成对动态物体的识别，从而减小变换矩阵的估计误差，该方法计算量小，满足实时性。
-
-
-
-
-
-
-
-
-
Search Results
252
records
(took 0.04 seconds)
