-
公开(公告)号：CN100455005C
公开(公告)日：2009-01-21
申请号：CN200510096091.4
申请日：2005-09-29
Applicant: 西安交通大学
IPC: H04N7/015
Abstract: 本发明公开了一种数字高清晰度电视芯片输入高清晰电视和计算机信号方法，该方法采用下变换插值和降低点频的方法，将原始输入信号的每帧的数据量减小，然后抽取行数据使之成为隔行信号，再进一步降低时钟频率即点频，从而满足SDRAM的存储容量和读写时序限制，使数字高清晰度电视芯片支持高清晰电视和计算机信号的输入，并且能对其实现帧频提升和画质改善处理。本发明的方法在不改变原来的SDRAM操作控制逻辑的情况下，视频信号数据能够写入并读出SDRAM。对视频信号数据的下变换插值处理采用双线性插值，降频处理采用时钟分频的方法，均易于硬件实现，成本低，同时双线性插值在人眼可接受范围内，保证了图像清晰度质量。
-
公开(公告)号：CN100386797C
公开(公告)日：2008-05-07
申请号：CN200510096293.9
申请日：2005-11-03
Applicant: 西安交通大学
Abstract: 本发明公开了一种利于实现数字视频图像缩放插值的行场信号产生方法，该方法在一维方向上双三次插值的装置中采用输入行场信号调制输出行场信号，保证两者的同步性，并且累加计数的一个循环长度限制在63行以内，缩小累加误差，满足输出行场信号的周期性要求。本发明的行场信号产生方法可以满足保证输出行场信号的周期性和保证输入、输出行场信号的同步性这两点要求，使得该装置数据存储器前后无需fifo缓存，节省硬件资源，且读写控制逻辑简单。
-
公开(公告)号：CN1750636A
公开(公告)日：2006-03-22
申请号：CN200510096091.4
申请日：2005-09-29
Applicant: 西安交通大学
IPC: H04N7/015
Abstract: 本发明公开了一种数字高清晰度电视芯片输入高清晰电视和计算机信号方法，该方法采用下变换插值和降低点频的方法，将原始输入信号的每帧的数据量减小，然后抽取行数据使之成为隔行信号，再进一步降低时钟频率即点频，从而满足SDRAM的存储容量和读写时序限制，使数字高清晰度电视芯片支持高清晰电视和计算机信号的输入，并且能对其实现帧频提升和画质改善处理。本发明的方法在不改变原来的SDRAM操作控制逻辑的情况下，视频信号数据能够写入并读出SDRAM。对视频信号数据的下变换插值处理采用双线性插值，降频处理采用时钟分频的方法，均易于硬件实现，成本低，同时双线性插值在人眼可接受范围内，保证了图像清晰度质量。
-
公开(公告)号：CN116912147B
公开(公告)日：2025-05-06
申请号：CN202310973631.0
申请日：2023-08-03
Applicant: 西安交通大学
IPC: G06T5/50 , G06T3/4084 , G06T3/14 , G06T7/33 , H04N5/265
Abstract: 本发明一种基于嵌入式平台的全景视频实时拼接方法，该方法基于的全景拼接设备包括可见光相机、视频处理板和结构件，可见光相机均匀分布于结构件侧立面，视频处理板用于接收可见光相机视频，对视频进行实时拼接，输出实时全景视频；该方法包括步骤：1)相机图像配准：采集可见光相机图像，通过对图像进行特征匹配，建立图像之间的几何对应关系；2)多相机参数全局优化：采用Levenberg‑Marquardt算法进行全局优化，最小化重投影误差；得到准确的单应矩阵和相机参数；3)图像融合：在拼接之前对图像进行投影变换，将所有像素映射到一个统一平面；之后采用基于拉普拉斯金字塔变换的图像融合方法，得到最终的融合图像。本发明实现了在嵌入式平台输出实时全景视频。
-
公开(公告)号：CN119295891A
公开(公告)日：2025-01-10
申请号：CN202411188619.X
申请日：2024-08-28
Applicant: 西安交通大学
IPC: G06V10/82 , G06V10/774 , G06N3/042 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于不确定性的目标检测自训练方法及系统，该方法包括：构建目标数据集，目标数据集包括带标签数据样本和不带标签数据样本；基于带标签数据样本的预测结果与带标签数据样本的真实值，计算第一总误差，通过第一总误差对教师网络进行训练得到第一模型；基于不带标签数据样本的预测结果与所述不带标签数据样本的伪标签，计算第二总误差，通过第二总误差输入学生网络进行训练，得到第二模型；使用指数移动平均对所述第一模型和所述第二模型进行集成更新，得到最终训练检测模型。本发明解决了在整个自训练流程中，由特征偏移的不确定性带来的模型鲁棒性低的问题，能够大幅减少伪标签中的数据噪声。
-
Patent Agency Ranking
公开(公告)号：CN118884962A
公开(公告)日：2024-11-01
申请号：CN202410992193.7
申请日：2024-07-23
Applicant: 西安交通大学
IPC: G05D1/43 , G05D1/242 , G05D1/246 , G05D1/633 , G05D1/644 , G05D1/693 , G05D1/247 , G05D1/648 , G05D109/10
Abstract: 本发明增量距离地图的未知非结构化环境下路径规划方法及系统，该方法包括步骤：通过外部传感器生成车辆周围的点云，生成当前车辆姿态P，通过实时更新算法构建局部障碍图，生成当前帧中具有障碍物的全局距离地图；基于当前帧中具有障碍物的全局距离地图，通过路径规划算法生成自动驾驶汽车当前路径；基于自动驾驶汽车当前路径，生成本地路径；基于本地路径，通过路径跟踪算法控制自动驾驶汽车的运动。该系统包括地图生成模块、路径规划模块、本地路径生成模块和控制模块。本发明提出了一个增量距离映射框架，该框架可以有效地生成非结构化环境的精确表示，实现了构造距离图和在距离图内规划并行的效果，提高了规划效率和鲁棒性。
-
公开(公告)号：CN118780984A
公开(公告)日：2024-10-15
申请号：CN202410747022.8
申请日：2024-06-11
Applicant: 西安交通大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明基于卷积和Transformer混合架构的图像超分辨率重建方法及系统，该方法包括：对单幅图像超分辨率重建训练数据集中的原始数据进行预处理，生成低分辨率图像和高分辨率图像配对的训练数据；构建基于卷积和Transformer混合架构的图像超分辨率重建网络，将预处理后的训练数据输入图像超分辨率重建网络，并使用L1损失函数和ADAM优化器进行训练，获得训练好的超分辨率重建网络模型；将待重建的图像输入训练好的超分辨率重建网络模型，生成对应的高分辨率图像。该系统包括数据预处理模块、模型训练模块和图像重建模块。本发明可以同时利用卷积神经网络和Transformer的优势，以获得局部和全局信息的同时有效降低模型复杂度和延迟，提高超分辨率重建图像的质量。
-
公开(公告)号：CN117973473A
公开(公告)日：2024-05-03
申请号：CN202410170336.6
申请日：2024-02-06
Applicant: 西安交通大学
Abstract: 本发明公开了一种面向深度学习存算一体芯片的计算精度补偿架构与方法，在神经网络模型向忆阻器阵列映射的过程中，不同网络层间仅共享行资源，不共享列资源，在列方向上根据神经网络规模的不同，有不同程度的资源剩余；基于神经网络模型映射后的剩余资源训练补偿架构，忆阻器阵列通过输入电压的方式，修正输出端电流。本发明针对不同噪音的综合影响，针对忆阻器芯片在实际使用过程中实际所产生的噪声情况，基本不增加额外的硬件耗费，避免线下训练添加噪声模型时由于噪音模型不准确带来的精度损失问题，提高了神经网络模型在实际忆阻器芯片中的网络精度。
-
公开(公告)号：CN113740871B
公开(公告)日：2024-04-02
申请号：CN202110872830.3
申请日：2021-07-30
Applicant: 西安交通大学
IPC: G01S17/86 , G01S17/89 , G01S17/931 , G01C21/16
Abstract: 本发明公开了一种在高动态环境下的激光SLAM方法、系统设备及存储介质，包括如下过程：使用IMU的预积分里程计来获得SLAM系统的初始状态估计；分别将当前激光点云和局部点云地图按照SLAM系统的定位误差所确定的分辨率投影为距离图像；比较这两幅距离图像，去除当前激光点云和局部点云地图中代表移动物体的点；将当前激光点云和局部点云地图进行点云匹配，获得SLAM系统的状态估计；判断点云匹配是否收敛；若点云匹配收敛，将获得的SLAM系统的状态估计作为最终的SLAM系统的状态估计；若点云匹配不收敛，重复进行所述距离图像获取、去除代表移动物体的点、点云匹配和收敛性判断的过程，直至点云匹配收敛。本发明能够同时提高动态点的去除率和SLAM的精度。
-
公开(公告)号：CN117094459A
公开(公告)日：2023-11-21
申请号：CN202311081487.6
申请日：2023-08-25
Applicant: 西安交通大学
IPC: G06Q10/047 , B60W60/00 , G06Q50/30 , G06N3/09 , G06N3/045 , G06N3/0499
Abstract: 本发明公开了一种基于安全轨迹树网络的运动规划方法，包括：通过TTNET网络生成能够表示所有交通参与者的离散化可行空间的轨迹树；通过多层感知器MLP编码得到深度特征编码，自动驾驶汽车及其周围交通参与者的边界框特征和局部参考线的深度特征编码；这些深度特征编码之间经过级联后被送入空间Transformer编码器中，经过充分的特征融合，输出整体交互编码；将整体交互编码输入轨迹预测辅助与安全轨迹树网络模型，输出最终的运动规划轨迹。相较于现有方法，TTNET网络在CARLA Town05闭环测试基准上的驾驶分数提高了8.3％，路线完成度上提高了39.2％；在CARLA Longest6基准上，TTNET网络的遵守交通规则的分数提高了10.6％。同时，TTNET网络还具有至少28赫兹的推理速度，比最好的方法快了1.5倍。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.029 seconds)
