-
公开(公告)号：CN108169887A
公开(公告)日：2018-06-15
申请号：CN201711445620.6
申请日：2017-12-27
Applicant: 清华大学 , 清华大学深圳研究生院
Abstract: 本发明公开了一种3D多焦面结构光快速显微成像系统及方法，其中系统包括：物镜OL；延迟透镜组用于确保不同深度的光经过多焦光栅后都能到达相机感光面；衍射多焦光栅MFG；色差矫正光栅CCG用于消除样本同一深度对应子图的色差；数字微镜阵列DMD用于对样本不同深度的照明图案进行调制；第一4f组用于使得激光光束的大小与数字微镜阵列DMD大小匹配；第二4f组用于数字微镜阵列DMD上图案的大小与衍射多焦光栅MFG大小匹配；成像模块用于采集数据并对样本的不同深度分别进行结构光超分辨显微重建，并将每层的重建结果堆叠起来，形成最后的3D超分辨成像结果。该系统可以有效提高显微成像的速度，提升系统的稳定性。
-
公开(公告)号：CN104850644A
公开(公告)日：2015-08-19
申请号：CN201510278808.0
申请日：2015-05-27
Applicant: 清华大学 , 清华大学深圳研究生院
IPC: G06F17/30
CPC classification number: G06F17/30247 , G06F17/30091
Abstract: 本发明公开了一种基于Lucene的高光谱图像检索方法及检索引擎，其中，方法包括以下步骤：通过Lucene打开索引文件夹；选择特征和波段范围；调用Lucene将索引写入文件夹中；输入待检索文件；将Document索引文件进行相似度比较，以从索引文件中按所选特征的相似度返回检索结果。该方法通过利用Lucene对高光谱库中的高光谱文件建立索引，从而在检索时从索引文件中按所选特征的相似度返回检索结果，实现加快读取文件速度的目的，提高检索效率，不但检索的特征库扩展性强，而且操作简单方便。
-
公开(公告)号：CN120066091A
公开(公告)日：2025-05-30
申请号：CN202510551635.9
申请日：2025-04-29
Applicant: 清华大学
IPC: G05D1/46 , G05D109/20
Abstract: 本申请公开了一种基于多功能环路融合的目标智能跟踪方法、装置、设备及存储介质及无人飞行器，包括：根据无人飞行器的视频追踪装置对目标物体的运动过程所采集的追踪视频，确定运动过程的图像运动特征数据，并根据无人飞行器的信号追踪装置对运动过程所采集的追踪信号，确定运动过程的信号运动特征数据；通过信号运动特征数据对图像运动特征数据的互惠增强，确定运动过程的调整运动特征数据；根据调整运动特征数据和信号运动特征数据在环形吸引子网络中的迭代推理，控制无人飞行器的飞行状态。通过互惠增强技术和环形吸引子网络的信息融合，实现了高速运动场景下的精准目标跟踪，解决了无人飞行器追踪目标物体时，延迟高、误差大的问题。
-
公开(公告)号：CN120050494A
公开(公告)日：2025-05-27
申请号：CN202510037888.4
申请日：2025-01-09
Applicant: 清华大学
IPC: H04N23/50 , H04N23/54 , H04N23/741 , H04N19/42
Abstract: 本申请涉及高速成像技术领域，特别涉及一种基于编码曝光的轻量化高速成像系统及方法，其中，系统包括：成像硬件，用于采集目标场景在时域维度进行随机编码曝光的非对称的曝光编码序列，根据非对称的曝光编码序列生成编码模糊图像；上位机，用于获取曝光编码序列、曝光编码序列对应初始视频帧的序号和编码模糊图像，根据曝光编码序列和视频帧序号生成时域信息，根据编码模糊图像生成空域信息，根据时域信息和空域信息解析出目标视频帧，其中，目标视频帧的清晰度大于初始视频帧的清晰度。由此，解决了现有技术成像系统的成本较高、较为笨重等问题。
-
公开(公告)号：CN120010214A
公开(公告)日：2025-05-16
申请号：CN202510335766.3
申请日：2025-03-20
Applicant: 清华大学
Abstract: 本发明提供一种计算全息显示系统及方法，其中的系统包括：控制元件，用于获取第一分辨率的目标场景图像，基于目标场景图像计算全息面复振幅信息并进行编码，得到全息图序列；空间光调制器，用于加载全息图序列，并根据全息图序列调制入射光束，得到衍射图像序列；平行平板调制元件，用于通过控制自身旋转角度，将衍射图像序列按照目标偏移量全息显示于像面。该系统通过在空间光调制器与像面间引入平行平板调制元件，并通过复振幅数据补偿来确保较低分辨率全息图在物平面的较高分辨率映射，提高了全息图对于有限分辨率的空间光调制器的调制能力，实现了更高分辨率的计算全息显示性能，且无需进行复杂工艺长时间制备，降低了全息超分显示的成本。
-
Patent Agency Ranking
公开(公告)号：CN119942006A
公开(公告)日：2025-05-06
申请号：CN202510435881.8
申请日：2025-04-08
Applicant: 清华大学
IPC: G06T17/00 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及计算机成像技术领域，特别涉及一种扫描光场多光谱重建网络方法、装置、电子设备及介质，其中，方法包括：获取扫描光场数据，根据扫描光场数据生成训练集和测试集；利用训练集对多光谱重建网络进行自监督的迭代训练，利用测试集对训练完成的多光谱重建网络进行测试；利用测试通过的多光谱重建网络进行光场角度的生成和光谱拆分，基于生成的光场角度和拆分的光谱重建全角度多光谱数据。由此，解决了相关技术中多光谱网络重建耗费时间长，无法训练大量数据，光谱拆分不干净，且光场信息连贯性缺失等问题。
-
公开(公告)号：CN119126370A
公开(公告)日：2024-12-13
申请号：CN202411393803.8
申请日：2024-10-08
Applicant: 清华大学
Abstract: 本发明涉及成像设备技术领域，尤其涉及一种多位置光线平移装置及控制方法。该多位置光线平移装置包括：固定板、连接板、相位板和角度调节机构；其中，相位板通过连接板与固定板连接；角度调节机构设于连接板与固定板之间，用于牵引相位板旋转，使得相位板与固定板之间在多种角度间可调设置，以实现多位置扫描。本发明通过角度调节机构可以实现相位板多角度调节，以相位板的转动来实现光束的偏转，利用相位板的转动替代现有技术中位移平台的复杂运动，运动惯量更小，相应速度更快，可以实现毫秒级的响应时间；另外，本发明还具有结构简单，体积小的优势，适用于空间有限，便携性要求高的应用场景。
-
公开(公告)号：CN118707829A
公开(公告)日：2024-09-27
申请号：CN202410217107.5
申请日：2024-02-27
Applicant: 清华大学
Abstract: 本申请涉及全息显示技术领域，特别涉及一种基于可学习相位调制的高分辨率计算全息显示方法及装置，其中，方法包括：获取目标场景的满足第一预设分辨率的物面图像；根据物面图像计算生成全息图，并根据全息图得到满足第二预设分辨率的局部全息图；将局部全息图加载至预先搭建的空间光调制器，经反向传播物理衍射生成波前面复振幅信息，并通过全息显示系统对波前面复振幅信息进行处理得到满足第三预设分辨率的像面图像，其中，全息显示系统装载有可学习相位调制元件。由此，解决了相关技术缺乏对全光信息的统一表征，无法实现高分辨率全息显示等问题，提高了全息图对于有限分辨率光电调制器的调制能力，实现了更高分辨率的计算全息显示性能。
-
公开(公告)号：CN113792874B
公开(公告)日：2024-09-06
申请号：CN202111050660.7
申请日：2021-09-08
Applicant: 清华大学
IPC: G06N3/042 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明提出一种基于先天知识的持续学习方法及装置，方法包括：获取第一训练数据并对所述第一训练数据进行预处理；将预处理后的所述第一训练数据输入至预先训练的生成器，输出第二训练数据；根据所述第二训练数据和分类神经网络，训练神经网络模型的初始化参数；根据所述第一训练数据和预先构建的损失函数，对所述神经网络模型的初始化参数进行更新以得到更新后的所述神经网络模型。本发明在学习任务前引入一个生成器，提前对神经网络进行参数的初始化，在后续训练过程中，综合生成器产生的任务0与当前学习任务，进行正则化约束，使得模型可以进行快速收敛，有效减少神经网络在持续学习中面临的灾难性遗忘问题，提高模型的任务学习能力。
-
公开(公告)号：CN113762402B
公开(公告)日：2024-09-06
申请号：CN202111076143.7
申请日：2021-09-14
Applicant: 清华大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/774 , G06N3/047 , G06N3/08
Abstract: 本申请提供了一种基于小样本持续学习的图像分类方法、装置及存储介质。其中方法包括：S1，获取图片样本数据集，包括用于预训练的大样本数据集和多个用于新任务训练的小样本数据集；S2，通过大样本数据集对模型进行训练，并存储每个类别的特征中心以及回放样本；S3，通过小样本数据集以及存储的每个类别的特征中心以及回放样本对模型进行训练，并计算模型的多个损失；S4，将多个所述损失加权求得总的损失函数，通过梯度下降算法对模型进行更新，存储每个类别的特征中心以及回放样本；S5，重复步骤S3、S4，直到所有新任务的小样本数据集完成学习，得到最终的模型分类器。本方法更加符合人的学习与记忆过程，避免发生灾难性遗忘问题。
-
-
-
-
-
-
-
-
-
Search Results
1667
records
(took 0.033 seconds)
