-
公开(公告)号：CN112766305A
公开(公告)日：2021-05-07
申请号：CN202011566515.X
申请日：2020-12-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于端到端度量网络的视觉SLAM闭环检测方法，包括以下步骤：S1、对当前时刻的环境图像进行预处理，得到当前时刻的标准化图像；S2、采用特征提取模型对历史时刻和当前时刻的标准化图像分别进行图像特征提取；S3、采用两个图像的多层特征构建相似矩阵；S4、采用卷积神经网络对相似矩阵进行进一步地特征提取；S5、构建相似性度量模型，将相似矩阵的特征图输入相似性度量模型进行历史时刻与当前时刻的环境图像的相似度计算，确定当前时刻的环境是否产生闭环；本发明解决了现有的闭环检测方法大都将特征提取和相似性度量作为两个环节独立进行使得检测效果不能进一步优化的问题。
-
公开(公告)号：CN111241986B
公开(公告)日：2021-03-30
申请号：CN202010017054.4
申请日：2020-01-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于端到端关系网络的视觉SLAM闭环检测方法，包括以下步骤：S1：向VGG16网络中输入视觉传感器采集的先前图像和当前图像；S2：对原始数据进行预处理；S3：通过5个卷积阶段获取预处理后的先前图像和当前图像的特征，得到多层特征；S4：对多层特征进行加权融合；S5：对多层特征进行标准化，得到标准特征；S6：对标准特征进行组合，得到组合图像；S7：通过CNN关系模块回归得到组合图像的相似性得分，完成闭环检测。本发明可避免学习冗余特征，使得学习到的特征更加适应相似性度量要求的可区分性，可以更加准确地检测闭环并节省检测时间，提高闭环检测地精度。
-
-
公开(公告)号：CN111157984A
公开(公告)日：2020-05-15
申请号：CN202010016854.4
申请日：2020-01-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于毫米波雷达及惯性测量单元的一种行人自主导航方法，其包括以下步骤：S1、在每只脚上安装一个惯性测量单元，并在任一只脚上安装毫米波雷达；S2、获取用户的步长信息和每只脚的模糊位置信息；S3、对用户双脚的模糊位置信息进行修正与融合，得到融合后的位置信息；S4、将融合后的信息作为用户的具体位置信息，判断是否继续导航，若是则返回步骤S2，否则结束导航。本方法通过毫米波雷达对双脚间的位姿信息进行测量，并将其作为融合卡尔曼滤波器的水平管测量，将累计误差的增长率的数量级从平方降低到了常数级，有效的降低了累积误差为整体定位精度产生的不良影响，对长距离、长时间的定位导航精度有显著的提高。
-
公开(公告)号：CN110595466A
公开(公告)日：2019-12-20
申请号：CN201910878954.5
申请日：2019-09-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种轻量级的基于深度学习的惯性辅助视觉里程计实现方法，涉及移动机器人自主导航定位技术领域，其采用快速光流提取网络学习连续视频帧数据，并得到光流特征；将光流特征输入密集卷积网络中进行处理，处理输出结果连接至全连接层网络，得到初步位姿数据；对加速度数据和角速度数据进行预处理；通过扩展卡尔曼滤波器将初步位姿数据和预处理得到的数据融合。该方法将密集卷积网络应用于视觉里程计中，对旋转姿态的更加敏感，减小角度累积估计误差，提高地图重建精度；使用扩展卡尔曼滤波器将惯性测量单元数据与相机数据融合，减小了位姿数据误差，取得了更好的效果；视觉里程计实现的整个过程计算量小，且速度快，对相机的要求低。
-
Patent Agency Ranking
公开(公告)号：CN110533724A
公开(公告)日：2019-12-03
申请号：CN201910839780.1
申请日：2019-09-06
Applicant: 电子科技大学
IPC: G06T7/73
Abstract: 本发明公开了一种基于深度学习和注意力机制的单目视觉里程计算方法，具体步骤包括：先采集原始单目彩色图像，并将图像尺寸裁剪为统一大小；将裁剪过后的第i张图像和第i+1张图片输入PWCnet光流计算模块，获取光流向量场，并将光流向量场按照4个象限等分为4个光流子向量场；将4个光流子向量场输入卷积神经网络，分别获取4个子特征向量；将4个子特征向量合并为一个总特征向量，然后将总特征向量输入全连接网络，获取估计位姿向量；实时采集图片，并依次送入卷积神经网络，得到若干连续的估计位姿向量，通过若干连续的估计位姿向量获取估计里程。本发明拥有很好的视觉里程计算精度和计算速度。
-
公开(公告)号：CN109120292B
公开(公告)日：2019-11-05
申请号：CN201810885805.7
申请日：2018-08-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种数字自动增益控制系统及方法，该系统包括直流计算模块、增益调整模块、限幅器、cordic求模模块、IIR低通滤波器、误差控制模块、增益计算模块和增益限制模块；增益调整模块、限幅器、cordic求模模块、IIR低通滤波器、误差控制模块、增益计算模块和增益限制模块顺次循环通信连接；直流计算模块通过一个减法器与增益调整模块通信连接；IIR低通滤波器通过一个加法器与误差控制模块连接。本发明采用加减、乘法和移位操作完成反馈控制，在硬件实现中更加简单，并且AGC动态调整范围更大，系统调整时间分三档可控；同时，使用直流滤波和IIR一阶滤波器解决AM信号下控制算法的收敛速度慢或者不收敛的问题。
-
公开(公告)号：CN118246491A
公开(公告)日：2024-06-25
申请号：CN202410336663.4
申请日：2024-03-22
Applicant: 电子科技大学
IPC: G06N3/0464 , G06N3/063
Abstract: 本发明涉及卷积神经网络技术领域，公开了一种基于Winograd算法的神经网络加速器系统，包括：数据通路，用于根据控制通路传输的卷积神经网络的控制信息，在可配置算子模块采用Winograd算法对输入特征图与输入卷积核数据进行卷积加速计算，得到输入特征图与输入卷积核数据的卷积结果，并将卷积结果传输给缓存模块作为卷积神经网络中后续网络层的输入，实现对卷积神经网络的调度与运行；本发明采用Winograd算法将空间域的卷积转换到数据通路做逐元素矩阵乘法运算，节省了大量乘法器资源；利用Winograd模块与乘法器单元实现卷积加速，结合设计并行数据通路，有效提升神经网络加速器的计算能力；采用三级缓存结构，有效存储和传输数据，提高了数据访问效率，优化了系统性能。
-
公开(公告)号：CN118072033A
公开(公告)日：2024-05-24
申请号：CN202410221487.X
申请日：2024-02-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于极大团优化的视觉SLAM方法，涉及图像处理技术领域，本发明通过采用深度学习的特征点提取方法，并采集合适的真实场景的数据集进行训练，相较于传统算法能够提取到质量更高、数量更多的特征点，从而提升定位的精确度。通过采用Socket进行本地进程之间的通信，在不降低系统速度的情况下，快速的将深度学习算法融入到现有的视觉SLAM框架中，实现SLAM系统中的模块化替换，便于实验人员进行系统精度的测试。通过采用极大团算法对特征点进行优化，在有效的特征点在几何上应该彼此兼容的前提下，解决了常见算法中使用的RANSAC具有噪声敏感和计算量消耗过大的问题，解决极端情况下由于传统算法特征点丢失导致的定位失效的问题。
-
公开(公告)号：CN118070099A
公开(公告)日：2024-05-24
申请号：CN202410221490.1
申请日：2024-02-28
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/23 , G06F18/214 , G06N3/09 , G06N3/0455
Abstract: 本发明公开了一种针对已分选雷达脉冲序列的零样本增量识别方法，包括以下步骤：S1、获取已分选的雷达脉冲描述字序列并进行数据预处理，得到预处理后的已知类雷达脉冲描述字序列与未知类雷达脉冲描述字序列；S2、将步骤S1中已知类雷达脉冲描述字序列输入增量式识别网络中进行监督训练，得到训练好的增量式识别网络；S3、将待识别的已分选雷达脉冲描述字序列输入步骤S2中训练好的增量式识别网络进行增量式识别，得到带标签的已知类信号数据与未知类信号数据；S4、将步骤S3中带标签的已知类信号数据与未知类信号数据输入零样本增量式识别网络中进行训练，得到所有未知类信号数据的增量识别结果；该方法对未知类信号数据以零样本的方式进行拒识聚类，不仅可以进行增量式学习，而且具有良好的精度；同时在增量过程中能够对已知类信号数据进行高精度识别。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.022 seconds)
