-
公开(公告)号：CN115719479B
公开(公告)日：2024-09-17
申请号：CN202211524442.7
申请日：2022-11-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/56 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于编码器‑解码器架构的轨迹预测方法，涉及自动驾驶技术领域，包括：基于卷积神经网络对道路图片进行编码，得到路网特征信息，将其与物体特征信息合并得到提取向量图；将提取向量图输入带有注意力机制的图注意力网络，输出得到具有注意力信息的提取向量图，将该提取向量图输入至第一长短期记忆递归神经网络，输出得到第一结果数据；将第一结果数据输入到解码器图注意力网络之后得到带有注意力的第二结果；将第二结果数据输入至第二长短期记忆递归神经网络，输出得到轨迹预测结果，第二长短期记忆递归神经网络的损失函数包括位置信息损失和碰撞面积约束。本发明轨迹预测效率高，预测精度高，可靠性好。
-
公开(公告)号：CN117104270B
公开(公告)日：2024-08-27
申请号：CN202311134645.X
申请日：2023-09-04
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: B60W60/00 , B60W30/18 , B60W50/00 , G06F18/214 , G06N3/092
Abstract: 本发明公开了一种基于规则辅助强化学习的自动驾驶决策方法，针对自动驾驶车辆在接近路口之前需要进入指定车道的目标车道进入任务进行了深入研究和应用。考虑到强化学习策略需要理解车辆进入目标车道的紧迫性以及与基于规则的策略的结合难点，融合了规则引导与强化学习策略，实现了两者的互补优势。为了更准确地指导自动驾驶车辆做出与目标导向的驾驶决策，本发明提出了一个包括安全性、效率、舒适性和紧急性在内的四项混合奖励函数。为了进一步优化基于强化学习的策略，本发明还设计了规则修订策略，不仅监控强化学习的驾驶决策策略，还能引导策略从实际的干预中获得学习并不断完善。本发明在多种宏观和微观评价指标上都展现了出色的性能。
-
公开(公告)号：CN117993439A
公开(公告)日：2024-05-07
申请号：CN202410131122.8
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06N3/0464 , G06N3/0455 , G06F18/25 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种应用于移动终端的数据处理方法，包括：将获取到的待处理数据输入至预先训练得到的目标网络模型中进行数据分析处理；其中，目标网络模型中包括至少一组特征提取网络，特征提取网络包括第一特征提取单元和降采样单元，第一特征提取单元和降采样单元均对应于深度可分离卷积，第一特征提取单元和所述降采样单元所对应的卷积尺寸不同；基于第一特征提取单元对待处理数据进行特征提取，得到待处理特征；基于降采样单元对待处理特征进行特征提取，得到目标特征；通过对目标特征分析处理，确定与待处理数据相对应的数据处理结果。解决了模型的性能和参数量难以平衡的问题，降低模型复杂度，减少计算延迟。
-
公开(公告)号：CN117992608A
公开(公告)日：2024-05-07
申请号：CN202410131781.1
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/35 , G06F18/214 , G06F18/241 , G06F18/213
Abstract: 本发明公开了一种数据检测方法，包括：获取待检测数据，并依据预先设定的数据划分规则，确定与所述待检测数据相对应的至少一个待处理数据；对所述至少一个待处理数据进行特征提取，得到与所述待检测数据相对应的特征数据；对于每个待处理数据，基于所述待处理数据中各数据之间的关联关系，确定与所述待处理数据相对应的目标检测单位，并基于所述目标检测单位更新所述特征数据；基于预先训练得到的数据检测模型对所述特征数据进行数据检测，得到与所述特征数据相对应的预测结果；基于所述预测结果，确定所述待检测数据的目标数据；解决数据检测准确度较低的问题，提高数据检测准确度。
-
公开(公告)号：CN117036384A
公开(公告)日：2023-11-10
申请号：CN202311059057.4
申请日：2023-08-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/11 , G06V10/74 , G06V10/82 , G06N3/0895 , G06N3/09 , G06N3/0464 , G06N3/045 , G06N3/048
Abstract: 本发明实施例公开了一种医学图像分割方法、装置、设备和存储介质，其中，方法包括：获取待分割医学图像；将所述待分割医学图像输入至目标医学图像分割模型中，得到所述待分割医学图像的分割结果；其中，所述目标医学图像分割模型是通过自监督和有监督的方式训练得到的模型。本发明实施例的技术方案解决了现有医学图像分割模型多采用有标签的样本图像训练获得，模型训练效率不足，医学图像分割模型的鲁棒性不足，图像分割的准确性不足的问题，可以通过自监督和有监督的方式训练得到医学图像分割模型，在提高模型训练效率的同时，提高医学图像分割模型的鲁棒性，进而提高图像分割的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115495648B
公开(公告)日：2023-06-09
申请号：CN202211046356.X
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种推荐任务发布时间的空间众包方法，本发明利用交叉图神经网络提取任务请求者、任务以及任务发布时间的特征，使得其特征包含不同语义空间中的信息，丰富了特征表达。且使用的是轻量级的图卷积神经网络，取消了图的自连接以及特征变换的权重矩阵，在保证高效推荐的同时加快了模型的训练速度。在任务发布序列的多视角关系学习中，首先对任务的多视角属性进行融合，综合考量了可能对任务发布时间产生影响的因素。接着利用Transformer的多头注意力机制来计算序列中其他任务对当前任务的重要程度，从而得以进一步挖掘序列中的上下文信息。最后用一个全连接层预测任务发布的时间段能在一定程度上解决数据的稀疏性问题，提高预测的准确率。
-
公开(公告)号：CN114782493A
公开(公告)日：2022-07-22
申请号：CN202210426595.1
申请日：2022-04-21
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于自编码器的不定长行人轨迹预测方法，包括：S1、采用自编码器提取不定长行人轨迹特征，并将不同的历史轨迹在编码阶段扩充到相同的维度；S2、计算目标行人对周围每一个行人编码后的向量的注意力得分，并将这些注意力得分经过权重矩阵合并求值，得到每个行人对于目标行人的注意力权值，并以此作为输出传递给LSTM进行最终的轨迹预测；S3、利用迁移学习方法对自编码器进行模型训练；S4、循环步骤S1～S3。本发明通过利用历史轨迹以及行人之间的相互作用使得目标行人的未来轨迹预测更加接近其真实的未来轨迹。
-
公开(公告)号：CN113920129B
公开(公告)日：2025-04-08
申请号：CN202111089546.5
申请日：2021-09-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/11 , G06T5/20 , G06N3/0464 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置，该方法包括：获取待处理医学图像；提取待处理医学图像中的图像特征，得到特征图；学习特征图的多尺度的全局上下文信息；引导多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。本发明在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明还在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
-
公开(公告)号：CN117994577A
公开(公告)日：2024-05-07
申请号：CN202410132820.X
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/52
Abstract: 本发明公开了一种基于双通道特征提取网络的数据处理方法，包括：将获取到的待处理数据输入至预先训练得到的目标网络模型中进行数据分析处理；其中，目标网络模型中包括第一特征提取网络和第二特征提取网络；基于第一特征提取网络对待处理数据进行特征提取，得到第一待融合特征；以及基于第二特征提取网络对待处理数据进行处理，得到包括空洞的第二待融合特征；对第一待融合特征和第二待融合特征融合处理，得到多尺度特征，并基于多尺度特征确定注意力矩阵；基于注意力矩阵和预先设定的随机概率值，确定目标特征；通过对目标特征分析处理，确定与待处理数据相对应的数据处理结果。解决了模型过拟合的问题，提高模型预测准确度。
-
公开(公告)号：CN117799637A
公开(公告)日：2024-04-02
申请号：CN202311710703.9
申请日：2023-12-13
Applicant: 电子科技大学长三角研究院(衢州)
IPC: B60W60/00 , B60W50/00 , G06N3/0455 , G06N3/0475 , G06N3/042 , G06N3/092 , G06N3/0499 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了一种基于模仿学习的可变驾驶风格的自动驾驶决策方法，本发明提出了一个支持增量学习的模仿学习模型，基础的模仿学习模型可以通过多种驾驶风格的专家数据进行训练，并在模仿专家驾驶行为方面实现超越专家的性能。通过增量学习，模型可以根据不断积累的数据不断改进性能，而无需每次重新训练整个模型。这将使自动驾驶车辆能够更及时地更新模型参数，以适应新的道路情境和交通条件。本发明能够根据不同的驾驶风格偏好快速微调基本的基于模仿学习自动驾驶决策模型，同时减少计算、存储和时间的大量开销。本发明基于注意力环境感知框架，以致力于使自动驾驶决策算法在多变的交通场景中关注更有用的关键信息。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.033 seconds)
