-
公开(公告)号：CN113610912B
公开(公告)日：2024-02-02
申请号：CN202110931555.8
申请日：2021-08-13
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
IPC: G06T7/55 , G06T7/246 , G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/088 , G06N3/0455 , G06V10/74
Abstract: 本发明是一种三维场景重建中低分辨率图像单目深度估计系统及方法，方法包括：步骤1、构建适合EDSR训练的数据库K‑DIV2K数据集；步骤2、采用数据集分别训练EDSR放大2倍、放大3倍和4倍模型，得到具有不同放大能力的超分辨率放大模块；步骤3、将得到的超分辨率放大模块进行多尺度深度预测，得到12个尺度的输入图片；步骤4、将步骤3中其中九个尺度的输入图片送到单目深度估计网络架构中，采用空洞卷积提取图像中的特征图，最终恢复出深度信息图。本发明提升了EDSR模型的泛化能力，使其能在KITTI数据集上得到较好的超分放大效果，提升了模型的在低分辨率输入图像下的特征提取能力和深度估计能力。
-
公开(公告)号：CN117227834B
公开(公告)日：2024-01-30
申请号：CN202311490977.1
申请日：2023-11-10
Applicant: 中国矿业大学
IPC: B62D6/00 , B62D103/00 , B62D113/00 , B62D119/00 , B62D137/00
Abstract: 本发明公开一种特种车辆人机协同转向控制方法，包括实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据，根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度，并以此设计强化学习的奖励函数，通过强化学习的双延迟深度确定性策略梯度算法决策出特种车辆人机协同转向的驾驶权重，基于驾驶权重融合驾驶员与自动系统控制器的方向盘转角，得到人机协同模式下实际的特种车辆方向盘转角，实现对特种车辆的人机协同转向控制，本发明根据驾驶员心理负荷水平和行车风险程度动态改变特种车辆人机协同转向权重，改善特种车辆安全性、稳定性和驾驶员负担。
-
公开(公告)号：CN116977969B
公开(公告)日：2023-12-26
申请号：CN202311011160.1
申请日：2023-08-11
Applicant: 中国矿业大学
IPC: G06V20/56 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测领域，具体地说，为一种基于卷积神经网络的驾驶员两点预瞄识别方法，包括如下步骤：数据集构建、模型搭建、特征提取、模型训练和检测阶段；本发明为保证样本多样性，从多个自动驾驶数据集采集样本，重新定义标签；为融合两点预瞄和深度学习，构建一个深度卷积神经网络，分析了如何将检测框用于两点预瞄识别的问题，针对了恶劣天气下远点预瞄的难点，提出了融合坐标注意力机制的主干网络和损失函数，实现了两点预瞄的智能识别，克服传统两点预瞄观察范围受限、存在视觉盲点等缺点。
-
公开(公告)号：CN117237190A
公开(公告)日：2023-12-15
申请号：CN202311194024.0
申请日：2023-09-15
Applicant: 中国矿业大学
Abstract: 本发明公开用于边缘移动设备的轻量化图像超分辨率重建系统及方法，属于图像超分辨率重建技术领域；包括输入模块、浅层特征提取层、多个堆叠蒸馏特征融合像素注意块模块、特征聚合模块、重建模块和输出模块；浅层特征提取层对低分辨率图像提取浅层特征；多个堆叠蒸馏特征融合像素注意块模块是m个以链的方式进行堆叠的DFFPA块，对浅层特征逐步细化提取深层特征；特征聚合模块聚合m个DFFPA块和浅层特征提取层的特征；重建模块经过卷积层和像素重排进行图像重建，得到超分辨率图像；本发明能够减少冗余信息，更加高效地提取图像中的高频信息，通过在像素级别上对不同尺度的特征进行加权融合，网络能够提供更优质的超分辨率重建结果。
-
公开(公告)号：CN117227834A
公开(公告)日：2023-12-15
申请号：CN202311490977.1
申请日：2023-11-10
Applicant: 中国矿业大学
IPC: B62D6/00 , B62D103/00 , B62D113/00 , B62D119/00 , B62D137/00
Abstract: 本发明公开一种特种车辆人机协同转向控制方法，包括实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据，根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度，并以此设计强化学习的奖励函数，通过强化学习的双延迟深度确定性策略梯度算法决策出特种车辆人机协同转向的驾驶权重，基于驾驶权重融合驾驶员与自动系统控制器的方向盘转角，得到人机协同模式下实际的特种车辆方向盘转角，实现对特种车辆的人机协同转向控制，本发明根据驾驶员心理负荷水平和行车风险程度动态改变特种车辆人机协同转向权重，改善特种车辆安全性、稳定性和驾驶员负担。
-
Patent Agency Ranking
公开(公告)号：CN113763247B
公开(公告)日：2023-12-05
申请号：CN202111055748.8
申请日：2021-09-09
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 基于流形判别的三维矿井图像超分辨率重建方法及系统，模型化单幅图像超分辨率问题，探索可取的HR空间；设计了基于CNN网络的自然流形鉴别器(natural manifold discriminator)；提出基于不规则残差学习的CNN结构，即分形剩余超分辨率网络fractal residual super‑resolution(FRSR)；建立面向感知的超分辨率NatSR网络，可生成真实纹理和自然细节，获得高视觉质量。
-
公开(公告)号：CN116977969A
公开(公告)日：2023-10-31
申请号：CN202311011160.1
申请日：2023-08-11
Applicant: 中国矿业大学
IPC: G06V20/56 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测领域，具体地说，为一种基于卷积神经网络的驾驶员两点预瞄识别方法，包括如下步骤：数据集构建、模型搭建、特征提取、模型训练和检测阶段；本发明为保证样本多样性，从多个自动驾驶数据集采集样本，重新定义标签；为融合两点预瞄和深度学习，构建一个深度卷积神经网络，分析了如何将检测框用于两点预瞄识别的问题，针对了恶劣天气下远点预瞄的难点，提出了融合坐标注意力机制的主干网络和损失函数，实现了两点预瞄的智能识别，克服传统两点预瞄观察范围受限、存在视觉盲点等缺点。
-
公开(公告)号：CN111768437B
公开(公告)日：2023-09-05
申请号：CN202010614124.4
申请日：2020-06-30
Applicant: 中国矿业大学
Abstract: 本发明涉及一种用于矿井巡检机器人的图像立体匹配方法及装置，属于立体匹配技术领域，解决了现有图像立体匹配方法对重复纹理区域与弱纹理区域的匹配精度较差的问题。获取物体的左视图和右视图分别作为参考图像和目标图像，对参考图像和目标图像分别进行逐像素邻域替换，得到参考图像和目标图像中每一像素点对应的灰度图；分别获取参考图像和目标图像灰度图对应的二进制码，并基于二进制码计算得到代价量；基于代价量对参考图像和目标图像分别进行匹配代价聚合，得到去除噪声的匹配代价；基于去除噪声的匹配代价，得到物体的视差图，提高了立体匹配的精度和质量。
-
公开(公告)号：CN116664649A
公开(公告)日：2023-08-29
申请号：CN202310247388.4
申请日：2023-03-15
Applicant: 中国矿业大学
Abstract: 本发明公开了一种矿井增强现实无人开采工作面深度估计方法，属于图像处理技术领域，构建卷积层、池化层、残差层、下采样模块组成的深度编码器，在编码器网络浅层提取图像浅层高分辨率特征信息，在编码器网络深层通过卷积操作的堆叠，提取图像低分率特征信息，将浅层的高分辨率特征图通过层级特征调整模块融合到深层的低分率特征图中；构建由反卷积层、上采样模块以及跳跃连接组成的深度解码器网络，估计图像的深度；构建相机位姿预测网络，通过相机邻帧间运动位姿的估计重投影到目标图像的光度损失作为自监督信号约束；构建改进的颜色‑几何差异信息来预测共平面深度图模块，用向量梯度渐变作为约束信号，约束预测初始深度图和预测共平面深度图。
-
公开(公告)号：CN116485812A
公开(公告)日：2023-07-25
申请号：CN202310390164.9
申请日：2023-04-13
Applicant: 中国矿业大学
IPC: G06T7/11 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种基于改进U‑Net网络的甲状腺腺体和结节分割方法。超声是甲状腺结节检查的首选方式，但是超声图像噪声大，甲状腺结节又形态各异，给医生的诊断带来了极大的挑战。目前开发的甲状腺结节自动分割方法对边缘不规则和微小结节的分割效果差。为克服高分辨率数据特征提取不足导致的甲状腺边缘和微小结节分割不准确，对大型和不规则目标的分割效果不理想以及手工分割繁琐和耗时的缺点，提出了一种基于改进U‑Net网络的甲状腺腺体和结节分割方法。通过在U‑Net网络的编码器和解码器中引入ResNeSt模块、空洞空间池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）和可变形卷积（Deformable Convolution，DC）v3，进行特征提取，建立一个变形金字塔分割注意残差网络（Deformable‑Pyramid Split Attention Residual U‑Net，DSRU‑Net）。实验和方法分析表明：采用DSRU‑Net网络，可明显提高甲状腺腺体和结节分割的准确度。
-
-
-
-
-
-
-
-
-
Search Results
259
records
(took 0.043 seconds)
