-
公开(公告)号：CN120010442A
公开(公告)日：2025-05-16
申请号：CN202510127039.8
申请日：2025-01-28
Applicant: 中国科学院计算技术研究所
IPC: G05B23/02
Abstract: 本发明提供了一种线控车辆的无人驾驶测试方法，包括：根据线控车辆的不同测试任务构建多种测试任务场景模型，并设置相应测试参数；根据测试任务序列选取相应测试任务场景模型和测试参数，将多种传感器采集到的车辆周围环境信息进行融合处理，生成对应的环境感知和定位数据，经决策规划生成优化行驶路径，转换为控制指令来控制线控车辆进行行驶测试；采集各种车辆状态信息和测试系统运行数据，整合成测试数据记录文件；对测试数据记录文件进行分析评估，生成测试报告。本发明还提供一种线控车辆的无人驾驶测试装置、存储介质及电子设备。借此，本发明能够通过无人驾驶技术进行线控车辆整车测试，以实现线控车辆整车测试的自动化、精确化和高效化。
-
公开(公告)号：CN119849568A
公开(公告)日：2025-04-18
申请号：CN202411877175.0
申请日：2024-12-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种带容错设计的星载计算系统，其包括：含多张NPU卡的NPU卡群，NPU卡是神经网络处理器，该系统被配置为：获取需要由NPU卡加速计算且有可靠性要求的神经网络任务；为该神经网络任务运行包含多个冗余容器的容器集群，并为每个所述冗余容器绑定NPU卡群中的能执行该神经网络任务的一张NPU卡；在容器集群中的每个冗余容器中分别部署该神经网络任务，并利用该冗余容器绑定的NPU卡处理该神经网络任务，得到计算结果；根据多个冗余容器得到的多个计算结果，确定神经网络任务的结果；从而利用容器集群进行灵活地利用多个NPU卡的资源来提供冗余，从而有效应对太空环境下的各个干扰和故障，保障神经网络任务的结果的准确性，并有效减少卫星的负载。
-
公开(公告)号：CN118734899A
公开(公告)日：2024-10-01
申请号：CN202410722397.9
申请日：2024-06-05
Applicant: 中国科学院计算技术研究所
IPC: G06N3/0455 , G06N3/082 , G06N3/063 , G06N3/0464 , G06V10/26
Abstract: 本发明公开了一种基于内存高效注意力机制的分割一切模型优化方法及装置，通过对分割一切模型进行分析，本发明实现了更加可控的内存高效注意力机制，并利用其重新替换了分割一切模型中传统的注意力计算方式，显著降低了模型的推理及测试峰值显存。本发明同时具有高适用性，对于相关衍生的高效分割一切模型，只要其拥有类似传统注意力计算的结构，本发明则同样有效。此外，本发明还解决了分割一切模型中传统的显存优化方式会降低精度这一难题，在无需任何重新训练微调的情况下，本发明可以显著降低模型的推理及测试峰值的显存占用，同时不会带来任何精度效果上的损失。
-
公开(公告)号：CN118397398A
公开(公告)日：2024-07-26
申请号：CN202410566932.6
申请日：2024-05-09
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V20/70 , G06V20/64
Abstract: 本发明提供了一种基于图像跟踪大模型实现点云数据增强的方法，包括：获取未标注点云数据对应同一时间戳下的未标注图像数据，筛选出含待标注对象的未标注图像数据组成一图像序列；将图像序列传入图像跟踪大模型，并标明待标注对象，图像跟踪大模型自动对图像序列中的待标注对象进行标注，获得待标注对象的图像掩码；根据点云坐标和图像坐标的对应关系，将图像掩码对应到点云数据上，获得待标注对象的点云掩码；将点云掩码和未标注点云数据组合生成第一点云样本，参与点云模型训练。本发明还提供一种基于图像跟踪大模型实现点云数据增强的系统、存储介质及电子设备。借此，本发明充分利用未标注点云数据，扩充点云样本空间，提升点云模型学习能力。
-
公开(公告)号：CN117419720A
公开(公告)日：2024-01-19
申请号：CN202311229497.X
申请日：2023-09-22
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于分层强化学习进行同步定位与建图的方法，包括：获取分层强化学习模型，其包括定位模块、地图重建模块、全局策略模块、规划器和局部策略模块；持续获取成对观测图，并由所述分层强化学习模型基于强化学习确定控制所述机器人在所处环境运动的控制动作、定位结果和更新所处环境对应的地图，其中，执行当前的控制动作后收集训练数据用于全局策略模块的强化学习，每条训练数据包括一个控制动作对应的全局奖励，所述全局奖励与探索效率和地图精度正相关并在该控制动作导致产生回环信号后对探索效率进行额外奖励。
-
Patent Agency Ranking
公开(公告)号：CN113313250A
公开(公告)日：2021-08-27
申请号：CN202110521580.9
申请日：2021-05-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种采用混合精度量化与知识蒸馏的神经网络训练方法，包括：获取已知数据构建为数据集；根据该超参数，对神经网络各层的卷积操作设置多个精度量化位宽并构建超网，将该超网的所有子模型划分至第一模型池和第二模型池；从该第一模型池和该第二模型池中取出多个子模型进行训练和验证；将验证精度高于训练阈值的子模型放入该第一模型池，剩余的子模型放入该第二模型池；进行多轮迭代，直到该第一模型池的更新率小于更新阈值；对该第一模型池中的子模型进行蒸馏训练，得到任务模型。本发明还提出一种神经网络训练系统，以及一种数据处理装置。
-
公开(公告)号：CN109168003B
公开(公告)日：2020-11-03
申请号：CN201811024913.1
申请日：2018-09-04
Applicant: 中国科学院计算技术研究所
IPC: H04N19/503 , H04N19/70 , H04N19/44
Abstract: 本发明提供一种训练用于视频预测的生成器模型G的方法，使得使用该模型可以以较少的计算量获得更好的、长时间的视频预测效果。所述生成器模型G中包括采用神经网络模型结构的编码器与解码器，所述编码器与所述解码器之间采用跳变连接，用于生成预测的帧间差ΔX，所述预测的帧间差ΔX与训练样本求和的结果为预测帧所述方法，包括：1)选择连续的视频帧作为训练样本，并提取训练样本的帧间差；2)将所述帧间差作为生成器模型G中编码器的输入，基于第一损失函数训练获得所述编码器与所述解码器的神经网络权值：其中，ΔXi‑1为与第i个帧间差相关的值，Xi为训练样本中的第i帧，为第i个预测帧，Xi和与所述编码器与所述解码器的神经网络权值相关。
-
公开(公告)号：CN107301665B
公开(公告)日：2020-03-31
申请号：CN201710302885.4
申请日：2017-05-03
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种具有可变焦光学摄像头的深度摄像头及其控制方法，所述方法包括：1)识别由所述深度摄像头所拍摄的光学图像上存在的物体；2)确定该物体的识别置信度；以及3)如果该物体的识别置信度不大于设定阈值，则针对该物体进行光学变焦和或数字变焦，以获得新的光学图像。使用根据本发明的智能深度摄像头，可以自动地、智能地进行变焦，当被拍摄物体的识别准确度比较低时，无需人工干预即可根据物体的尺寸和距离信息进行自动变焦，从而很大程度地提高了物体识别的效果。
-
公开(公告)号：CN109583240A
公开(公告)日：2019-04-05
申请号：CN201811234951.X
申请日：2018-10-23
Applicant: 中国科学院计算技术研究所
IPC: G06F21/76
Abstract: 本发明涉及一种集成电路测试方法和系统，包括：获取设计电路，并根据该设计电路具有的路径，生成调用该路径的多条测试向量，将该测试向量输入至该设计电路，得到该设计电路在预设条件下电路运行的第一错误率；根据该设计电路，得到待测芯片，将该测试向量输入至该待测芯片，得到该测试向量在该预设条件下电路运行的第二错误率；判断该第二错误率是否大于该第一错误率一定阈值，若是，则判定该待测芯片存在硬件木马电路，否则认为该待测芯片为合格芯片。
-
公开(公告)号：CN109447923A
公开(公告)日：2019-03-08
申请号：CN201811129666.1
申请日：2018-09-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种语义场景补全方法和系统，包括：获取已标注的彩色图像和深度图像，作为训练数据，其中彩色图像和深度图像已标注语义分割标签和语义场景补全标签；使用训练数据训练卷积神经网络，得到语义分割模型和语义场景补全模型，将待语义场景补全的待补全图像输入至语义分割模型，得到语义分割结果；根据拍摄彩色图像的相机参数和深度图像，得到彩色图像中像素和深度图像中体素的映射关系，根据映射关系将语义分割结果投影到三维空间，得到待补全图像的语义场景表面；对语义场景表面进行离散化处理后输入至语义场景补全模型，得到待补全图像的三维结构和待补全图像中物体的类别，输出三维结构和类别作为待补全图像的语义场景补全结果。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.043 seconds)
