-
公开(公告)号：CN118548912A
公开(公告)日：2024-08-27
申请号：CN202410482411.2
申请日：2024-04-22
Applicant: 复旦大学
IPC: G01C22/00 , G06V10/40 , G06V10/75 , G06T7/80 , G06T7/70 , G01C21/20 , G01C21/16 , G01C21/00 , G01C21/32
Abstract: 本发明属于智能机器人技术领域，具体为一种基于轻量实时性优化的双目视觉里程计方法。本发明包括特征提取、特征匹配和追踪、地图更新以及位姿优化四个步骤；本发明使用二进制描述算法BEBLID生成描述子，缩短基于特征点法的视觉里程计的前端处理时间；使用双四叉树的步进搜索遍历邻点，得到精确匹配对；提出基于左目为主、右目为辅的惰性特征提取策略的优化思路，并基于现代编译优化技术构建工程，验证从算法级到指令级优化后的视觉里程计的性能，处理效率获得显著提升；将上述优化方法用于实时视觉里程计，结合局部地图的建立和维护以及位姿估计和更新，使得系统性能在接近主流SLAM系统的同时，有极高的处理速度和极低的内存占用。
-
公开(公告)号：CN118521792A
公开(公告)日：2024-08-20
申请号：CN202410833731.8
申请日：2024-06-26
IPC: G06V10/26 , G06V20/70 , G06V20/69 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0895 , G06N3/045 , G06N3/096
Abstract: 本发明涉及图像处理技术领域，特别涉及一种组织病理学图像的分割方法、装置、设备、介质及产品，其中，方法包括：根据有标签数据和无标签数据对半监督分割模型进行训练，且有标签数据的样本数量小于无标签数据的样本数量，根据每个类的原型语义对比学习类间的不同特征表示，根据类间的不同特征表示计算对比损失，利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签；根据训练过程的总损失更新学生模型的权重参数，将学生模型的权重参数传递给教师模型，在训练结束后利用半监督分割模型对组织病理学图像进行分割得到分割结果。由此，解决了如何更好地利用全局信息进行原型对比学习和降低伪标签的噪声等问题。
-
公开(公告)号：CN118447041A
公开(公告)日：2024-08-06
申请号：CN202410755124.4
申请日：2024-06-12
Applicant: 复旦大学义乌研究院
Abstract: 本发明涉及图像处理技术领域，特别涉及一种肿瘤组织细胞图像分割方法、装置、设备、介质及产品，其中，方法包括：获取肿瘤组织细胞图像；将肿瘤组织细胞图像输入分割模型，分割模型输出肿瘤组织细胞的边界图与前景图，其中，分割模型包括特征编码器、上下文提取器和特征解码器，特征编码器与特征解码器的跳跃连接加入ASPP模块和/或CBAM注意力，特征解码器对特征编码器与上下文提取器提取的特征图、以及CBAM注意力计算的注意力加权的特征图进行拼接与上采样得到肿瘤组织细胞的边界图与前景图；融合边界图与前景图得到肿瘤组织细胞图像的分割结果。由此，解决了如何提高肿瘤组织细胞图像分割准确性等问题。
-
公开(公告)号：CN113002558B
公开(公告)日：2024-06-28
申请号：CN202110343762.1
申请日：2021-03-30
Applicant: 复旦大学
Abstract: 本发明涉及一种基于脑电信号的残疾人辅助智能驾驶系统，包括脑电信息采集帽、信号处理模块和车辆控制模块，信号处理模块分别与脑电信息采集帽和车辆控制模块无线通信连接，脑电信息采集帽佩戴于残疾人驾驶员头上，车辆控制模块与车辆通信连接；脑电信息采集帽采集残疾人驾驶员六个通道的运动想象脑电信号，信号处理模块利用至少两种卷积神经网络对运动想象脑电信号进行解码，输出脑电解码信号并发送至车辆控制模块，车辆控制模块将脑电解码信号与驾驶车辆运行指令进行接口对接，驱动车辆运行实现辅助智能驾驶，与现有技术相比，本发明具有可靠性高、适用范围广等优点。
-
公开(公告)号：CN117908665A
公开(公告)日：2024-04-19
申请号：CN202311769782.0
申请日：2023-12-21
Applicant: 复旦大学
IPC: G06F3/01 , G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0475 , G06N3/045
Abstract: 本发明涉及一种基于脑机接口的残疾人复健设备控制方法，该方法包括如下步骤：数据采集和预处理；数据增强；网络设计与训练。与现有技术相比，本发明的方法采用带噪音的条件深度卷积生成对抗网络对现有数据集进行扩充，减轻前期数据采集压力；在训练阶段使用迁移学习的策略，预先在公开数据集上进行训练，得到预训练的网络权重，后以此为基础在该特定任务上用采集的小规模数据集进行有监督的学习，在微调后使模型能够适应于特定用户的输入习惯；提出时域、频域、空域多特征融合网络，提高对不同个体脑电数据共性特征的获取能力，加强模型的泛化能力，采用多头注意力机制提取脑电信号中多个位置的时序信息，进一步增加网络的表征能力。
-
Patent Agency Ranking
公开(公告)号：CN113762099B
公开(公告)日：2023-10-03
申请号：CN202110952822.X
申请日：2021-08-19
Applicant: 复旦大学
IPC: G06T17/20 , G06V20/54 , G06V10/26 , G06V20/70 , G06V10/80 , G06V10/44 , G06V10/52 , G06V10/82 , G06N3/0464 , G06N3/0985 , G06N3/042 , G06N5/04
Abstract: 本发明属于室外场景实时点云三维重建技术领域，具体为一种基于路侧RSU的实时点云三维重构方法。本发明方法包括：设置包含摄像头的路侧RSU，进行车路场景中多RGB摄像头的数据采集，为三维重建提供充分的数据支持；构建室外三维场景实时重建模型；其中，采用端到端的人工智能方法代替传统重建中的部分过程，对室外场景进行高分辨实时三维重建；构建融合语义分割优化三维模型；其中，采用语义分割的方法结合一些模型先验对已经建立的模型进行补充，实现三维完整重建。本发明将室内成熟的三维重加算法改变为室外大规模场景的算法，完善和加强室外三维场景重建水平；可广泛应用于类似车路场景的各类室外大规模场景中。
-
公开(公告)号：CN113536920B
公开(公告)日：2022-06-17
申请号：CN202110652497.5
申请日：2021-06-11
Applicant: 复旦大学
IPC: G06V20/64 , G06V10/25 , G06V10/26 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/194 , G06T7/73
Abstract: 本发明公开了一种半监督三维点云目标检测方法。其包括如下步骤：（1）对输入教师模型和学生模型的点云进行随机下采样，教师模型的随机下采样数据作为教师模型的输入；（2）将学生模型的随机下采样数据经过随机变换，作为学生模型的输入；（3）训练学生模型时使用标签数据同步训练教师模型，每一次迭代后将训练好的学生模型作为教师模型进一步训练，通过教师网络对无标签的数据进行挖掘，得到伪标签用于指导学生网络的学习，获得三维点云目标检测结果。本发明可以减少三维目标检测深度学习模型对数据标签的依赖，降低数据标注的成本；使用部分标签就达到同样模型使用100%标签的精度；本实验模型泛化能力强，能够用到多种深度学习模型中。
-
公开(公告)号：CN113538534B
公开(公告)日：2022-05-20
申请号：CN202110700487.4
申请日：2021-06-23
Applicant: 复旦大学
Abstract: 本发明属于纳米成像技术领域，具体为一种基于深度强化学习的纳米成像的图像配准方法。本发明方法包括构建深度强化学习网络模型、利用该网络进行图像配准；网络模型包括两个分支；一个分支包括一个全连接层，输入为动作序列；一个分支包括两个卷积层和池化层，输入为选取的参考图片和待配准图片；输出为表示策略函数的的动作概率分布；图像配准部分，设计8种动作序列来对待配准的图像进行微调；具体包括：对待配准图像进行重采样；将待配准图像和参考图像和重采样图像输入构建的网络模型中，输出策略动作的概率分布。本发明速度快、精度高、鲁棒性好、适应性强；全自动进行图像配准，摆脱了手动标记的麻烦。
-
公开(公告)号：CN113538456B
公开(公告)日：2022-03-18
申请号：CN202110692455.4
申请日：2021-06-22
Applicant: 复旦大学
Abstract: 本发明公开了一种基于GAN网络的图像软分割及背景替换系统。该系统包括图像软分割和背景替换两部分。图像软分割部分用于预测原始图像的前景以及alpha值，共包含五个模块：输入模块，全文组合模块，残差网络模块，金字塔场景解析模块和轻量级交互式分支模块；背景替换部分用于背景替换，生成高分辨率的背景替换图，其包括生成器模型和判别器模型。本发明的有益效果在于：其能减轻图像软分割过程中辅助图制作带来的繁重任务，能在获得高精度的分割图像的前提下，结合图像生成进行背景替换。
-
公开(公告)号：CN113411557B
公开(公告)日：2022-03-18
申请号：CN202110507947.1
申请日：2021-05-11
Applicant: 复旦大学
IPC: H04N13/106 , H04N13/117 , H04N13/363 , H04N19/149 , H04N19/176 , H04N19/423 , H04L65/60 , H04L65/80
Abstract: 本发明属于计算机网络应用层协议技术领域，具体为一种适用于蜂窝网络的VR全景视频优化传输方法。本发明方法包括：VR全景视频的投影、压缩、切片与分块；使用显著性检测对视频进行多焦点的冗余存储，其中采用3D卷积神经网络对样本视频进行有监督学习，得到预测模型用于预测显著区域，随后进行多焦点的冗余存储；视窗自适应传输协议，该协议是基于UDP的应用层协议，并保证视频流即时传输时有缓冲空间；基于头部运动方向预测的预传输，使用机器学习方法，建立方向预测模型，利用预测模型，预测出客户端下一段时间需要的视频片段，通过预传输的方式有效提高客户端视频流畅度。本发明模型简单，可以显著提升传输效率，保证实时性。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.023 seconds)
