-
公开(公告)号：CN118171708A
公开(公告)日：2024-06-11
申请号：CN202410243515.8
申请日：2024-03-04
Applicant: 电子科技大学
IPC: G06N3/063 , G06N3/0495 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种用于全连接层计算的硬件结构，属于全连接层优化领域，包括特征图存储模块、与特征图存储模块连接的稀疏特征图分组模块、分别与稀疏特征图分组模块连接的数据选择器和权重存储模块、分别与稀疏特征图分组模块和权重存储模块连接的权重数据选择器、与权重数据选择器连接的权重数据拼接模块、分别与权重数据选择器和数据选择器连接的乘法器阵列以及与乘法阵列器连接的累加缓存模块。本发明解决了现有稀疏优化方法无法针对动态变化的特征图数据进行优化且会消耗很多的额外逻辑资源的问题。
-
公开(公告)号：CN116975780A
公开(公告)日：2023-10-31
申请号：CN202310956646.6
申请日：2023-07-31
Applicant: 电子科技大学
IPC: G06F18/25 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F18/213 , G06N3/048
Abstract: 本发明公开了一种基于深度学习的视觉惯性里程计特征融合方法，包括以下步骤：S1、获取相机采集的相邻两帧图片，将相邻两帧图片输入图像特征提取网络提取图像特征；S2、获取相邻两帧图像之间的惯导信息，将惯导信息输入惯导特征提取网络提取惯导特征；S3、根据步骤S1提取的图像特征，将图像特征输入空间通道注意力模块对图像特征进行筛选；S4、根据步骤S1提取的图像特征与步骤S2提取的惯导特征，将图像特征与惯导特征输入交叉注意力模块对惯导特征进行筛选；S5、将筛选后的图像特征与惯导特征进行拼接，采用解码器结构对融合特征的权重进行调整，得到最终的融合特征；该方法高效融合筛选后的图像与惯导特征，提高了视觉惯性里程计算法的定位精度。
-
公开(公告)号：CN116972874A
公开(公告)日：2023-10-31
申请号：CN202310956666.3
申请日：2023-07-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于光流全局感知的无监督单目视觉里程计，涉及机器人定位与导航技术领域，包括S1：将连续的图像It和图像It+1输入基于CNN结构的光流提取模块；光流提取模块用于提取两帧图像之间的光流信息Ft→t+1；S2：将光流信息Ft→t+1输入位姿计算模块；位姿计算模块用于根据光流信息Ft→t+1提取得到帧间位姿Tt→t+1；S3：将帧间位姿Tt→t+1输入自监督信号生成模块；自监督信号生成模块用于根据帧间位姿Tt→t+1构造自监督函数L；S4：使用自监督函数L对单目视觉里程计进行训练得到无监督单目视觉里程计。本发明采用位姿和深度共同构建自监督信号，从而使得训练阶段采用无需真值的自监督方式，能够同时训练多个网络，显著增强了位姿和深度模型的泛化能力。
-
公开(公告)号：CN113989318B
公开(公告)日：2023-04-07
申请号：CN202111221271.6
申请日：2021-10-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的单目视觉里程计位姿优化与误差修正方法，其包括获取图像数据，并计算对应的光流图像序列；采用固定步长滑动窗口对光流图片序列进行分割，得到若干分割后的输入序列数据，并利用编码器获得各输入序列数据的高维度运动特征；将高维度运动特征输入人工神经网络；利用位姿变换相似性计算模块对运动的时序关系和运动的局部上下文信息进行运动相似性建模，并利用注意力机制指导优化位姿特征，得到经过运动相似性提纯的运动特征；将运动相似性提纯后的运动特征输入位姿修正预测网络，实现位姿优化和误差修正。本发明充分挖掘和建模了图像运动数据中的时序关系和连续运动的相似性，提高了鲁棒性。
-
公开(公告)号：CN111707260B
公开(公告)日：2022-09-06
申请号：CN202010584528.3
申请日：2020-06-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于频域分析及卷积神经网络的定位方法，基于载体惯性测量单元中的加速度计和陀螺仪，通过离散时间傅里叶变换生成离散时间信号的频谱图，并设计卷积神经网络通过挖掘频谱图中高纬度特征，获得载体的位姿变换，进而实现载体定位。本发明在不限制安放传感器载体类型和位置的情况下，仅利用原始的惯性测量单元数据通过滑动窗口的形式送入神经网络，可以准确且鲁棒的实现定位功能。
-
Patent Agency Ranking
-
公开(公告)号：CN114221872A
公开(公告)日：2022-03-22
申请号：CN202111664343.4
申请日：2021-12-30
Applicant: 电子科技大学
IPC: H04L41/12 , H04L41/14 , H04L47/125
Abstract: 本发明公开了一种路由协议的多度量融合目标函数构建方法，通过采集子节点路由数据以及Mac层的缓存信息数据，分别计算各子节点的跳数Rank值、子节点到父节点期望传输次数以及父节点的存储参量，并构建多度量融合目标函数，得到多度量融合模型；根据多度量融合模型计算拓扑结构各子节点的Rank值，并构建网络拓扑结构；本发明以链路负载问题为基础，通过缓存占比与缓存增长率构建多种度量融合形成高可靠性路由协议，在保证基本的通信质量以及传输跳数的情况下，实现在负载较重情况下的链路均衡，提高整个路由协议的可靠性以及鲁棒性，并保证了基本的通信质量以及传输跳数。
-
公开(公告)号：CN113989318A
公开(公告)日：2022-01-28
申请号：CN202111221271.6
申请日：2021-10-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的单目视觉里程计位姿优化与误差修正方法，其包括获取图像数据，并计算对应的光流图像序列；采用固定步长滑动窗口对光流图片序列进行分割，得到若干分割后的输入序列数据，并利用编码器获得各输入序列数据的高维度运动特征；将高维度运动特征输入人工神经网络；利用位姿变换相似性计算模块对运动的时序关系和运动的局部上下文信息进行运动相似性建模，并利用注意力机制指导优化位姿特征，得到经过运动相似性提纯的运动特征；将运动相似性提纯后的运动特征输入位姿修正预测网络，实现位姿优化和误差修正。本发明充分挖掘和建模了图像运动数据中的时序关系和连续运动的相似性，提高了鲁棒性。
-
公开(公告)号：CN110514226B
公开(公告)日：2021-04-27
申请号：CN201910832314.0
申请日：2019-09-04
Applicant: 电子科技大学
IPC: G01C25/00
Abstract: 本发明提供了一种行人惯性导航的航向校正方法，相较于利用多传感器融合的航向校正方法，本方法只用惯导传感器实现了较为准确的航向校正，节省了硬件成本，简化了算法复杂度。相较于现有的基于纯惯性导航系统的航向校正方法，本方法深入挖掘惯导元器件的特性，充分利用了行进过程中已有的信息，而不是只局限在某一个特定时间段内的局部信息，并且利用时间优先的原则对筛选出的匹配信号进行再一次选取，这使得本方法有更好的鲁棒性、更精确的航向校正效果。
-
公开(公告)号：CN111582447A
公开(公告)日：2020-08-25
申请号：CN202010365392.7
申请日：2020-04-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多种网络特征的闭环检测方法，在环境变化情况下具有更好的鲁棒性能，采用多种网络特征作为图像特征描述子，利用不同神经网络模型的不同网络输出层特征组合的方式表征图像，使得图像描述子能够携带更丰富更精准的信息，从而提高整个闭环检测算法的性能。相较于其他使用卷积神经网络进行闭环检测的方法，本发明组合了多种神经网络模型的不同层次的特征，综合了不同神经网络模型的低层次和高层次的图像信息，使得图像表示更加丰富，并在特征级联之前进行了特征降维操作，使得方法的实时性能得到了保证。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.028 seconds)
