-
公开(公告)号：CN118364266A
公开(公告)日：2024-07-19
申请号：CN202410537560.4
申请日：2024-04-30
Applicant: 同济大学
IPC: G06F18/213 , G06F16/901 , G06N3/042 , G06N3/084 , G06F18/22 , G06N3/0895 , G06N3/088
Abstract: 本发明涉及一种基于图结构学习的社区关系网络挖掘方法、设备和介质，包括以下步骤：S1、采集社区中各节点的相关数据，并转化为结构化的嵌入数据；S2、基于所述嵌入数据构建多个关系子图，整合所有的关系子图，将社区关系网络建模为异构图；S3、对所述异构图并行进行多次数据增强，得到相应的增强图，通过共享权重的图神经网络分别提取各增强图的高级特征；S4、基于各增强图的高级特征计算对比损失，通过梯度下降法迭代优化所述异构图，获得最终的社区关系网络挖掘结果。与现有技术相比，本发明可以进一步提高社区关系网络挖掘的准确性。
-
公开(公告)号：CN118096565A
公开(公告)日：2024-05-28
申请号：CN202410155698.8
申请日：2024-02-04
Applicant: 同济大学
Abstract: 本申请涉及图像去噪技术领域，具体而言，涉及一种深度图像去噪方法及装置，一定程度上可以解决如何去除深度数据的噪声，进而提升深度数据的质量的问题。所述的深度图像去噪方法包括：获取单频raw数据，并将其转换为IQ数据；基于置信感知图拉普拉斯正则化展开网络对含有噪声的IQ数据进行去噪；将去噪后的IQ数据转换为深度图，同时将去噪后的IQ数据转换为相位数据，并计算出最终深度；对低置信度区域予以去除，置为无效值。
-
公开(公告)号：CN113781325B
公开(公告)日：2024-04-26
申请号：CN202110916857.8
申请日：2021-08-11
Applicant: 同济大学
IPC: G06T5/77 , G06T5/73 , G06T5/70 , G06T5/60 , G06T15/20 , G06T15/50 , G06N3/045 , G06N3/0475 , G06N3/082
Abstract: 本发明涉及一种基于分层条件生成对抗网络的水下图像复原方法，包括：将水下的真实图像载入分层条件生成对抗网络模型中，获取复原后的真实图像；分层条件生成对抗网络模型包括依次连接的第一生成器、第二生成器和第三生成器，第一生成器用于进行图像去噪，并闭环连接有第一判别器；第二生成器用于进行图像去雾化，并闭环连接有第二判别器；第三生成器用于进行图像去模糊，并闭环连接有第三判别器；第一判别器、第二判别器和第三判别器均用于判别生成器输出的生成图像和预设的标准图像的真伪，从而调整对应生成器的参数。与现有技术相比，本发明利用树状分层网络结构逐层消除噪声、雾化、模糊对水下图像的影响，构建低质量的水下图像到高质量的水下图像的分层映射。
-
公开(公告)号：CN113781645B
公开(公告)日：2024-03-26
申请号：CN202111009280.9
申请日：2021-08-31
Applicant: 同济大学
Abstract: 本发明涉及一种面向室内泊车环境的定位和建图方法，步骤包括：对车辆上前视相机、环视相机系统和惯性测量单元分别进行标定；获取前视相机、环视相机系统和惯性测量单元采集的数据；对采集的数据进行紧耦合优化，包括构建视觉约束项、环视约束项和惯导约束项；根据建视觉约束项、环视约束项和惯导约束项创建联合优化模型，对模型求解获取车库地图信息和车辆的定位信息。与现有技术相比，本发明具有定位精度高，而且提供适用于自主泊车任务的高精度语义地图等优点。
-
公开(公告)号：CN117315054A
公开(公告)日：2023-12-29
申请号：CN202311124502.0
申请日：2023-09-01
Applicant: 同济大学
IPC: G06T9/00
Abstract: 本发明涉及一种双向增强的对抗视频预测方法，该方法包括以下步骤：构建双向增强随机对抗视频预测框架，包括两组变分自编码器‑生成对抗网络，分别用于顺序预测和逆序预测；其中，输入的视频帧序列依次经过顺序预测的编码器、逆序预测的解码器和编码器、顺序预测的解码器进行循环重建；采用训练好的双向增强随机对抗视频预测框架进行视频预测。与现有技术相比，本发明可预测生成更高质量的视频帧序列。
-
Patent Agency Ranking
公开(公告)号：CN117058242A
公开(公告)日：2023-11-14
申请号：CN202311030765.5
申请日：2023-08-15
Applicant: 同济大学
Abstract: 本发明涉及一种6自由度机器人的位姿估计方法，方法包括以下步骤：S1、根据事件相机获取事件组；S2、计算事件组的扭曲函数，得到优化的事件帧；S3、初始化关键帧数为0，选择一帧关键帧，确定候选点，计算候选点的预测的亮度增量，关键帧数加1；S4、确定来自事件和来自图像的的亮度增量测量值，最小化两者的误差，重复上述步骤直至遍历该关键帧对应的所有事件帧，输出相机位姿变换，此时粗估计相机位姿数量加1，然后选择其他的关键帧，重复S3和S4，直至关键帧数和粗估计相机位姿数量都等于或大于阈值，然后执行S5；S5、对粗估计的相机位姿和场景深度进行细化。与现有技术相比，本发明具有准确度高、计算速度快等优点。
-
公开(公告)号：CN116596773A
公开(公告)日：2023-08-15
申请号：CN202310373735.8
申请日：2023-04-06
Applicant: 同济大学
IPC: G06T5/00 , G06T5/20 , G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 本申请提供一种基于图拉普拉斯正则化网络的ToF深度图像去噪方法，该方法包括：获取ToF传感器采集的raw数据；raw数据基于图拉普拉斯正则化网络进行噪声去除，得到去噪深度图；去噪深度图通过后处理对置信度小于阈值对应的区域予以去除，得到最终深度图。该方案利用图拉普拉斯正则化网络得到更好的去噪效果，且无需实际数据的采集用于训练，可直接利用仿真的高斯噪声进行训练，具有良好的泛化能力。
-
公开(公告)号：CN115019509B
公开(公告)日：2023-08-04
申请号：CN202210712726.2
申请日：2022-06-22
Applicant: 同济大学
Abstract: 本发明涉及一种基于两阶段注意力LSTM的停车场空余车位预测方法，包括以下步骤：获取当前停车场的历史数据；对历史数据进行预处理得到特征数据；建立停车场空余车位预测模型，包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重；将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对模型进行训练；更新历史数据，并基于更新后的历史数据进行模型的更新训练；获取用户的查询请求；响应用户的查询请求，调用训练完成的模型得到预测结果并返回所述预测结果。与现有技术相比，本发明具有预测准确性高等优点。
-
公开(公告)号：CN113763549B
公开(公告)日：2023-07-07
申请号：CN202110953344.4
申请日：2021-08-19
Applicant: 同济大学
Abstract: 本发明涉及一种融合激光雷达和IMU的同时定位建图方法、装置和存储介质。对激光雷达点云数据和IMU数据预处理后，初始化系统，并对预处理后的点云和现有地图采用直接法配准，并计算相关参数从而构建因子图，得到初始3D子地图，将3D子地图映射到2D子地图后提取特征点，计算2D刚体变换参数，从而计算出3D坐标初始值，迭代优化不断更新3D坐标的值，最终输出达到精确度要求的3D坐标以及3D地图。与现有技术相比，本发明采用直接法将点云与已有地图配准，并后续不断迭代得到最终输出，具有可适应多雷达系统、检测效率高等优点。
-
公开(公告)号：CN113780129B
公开(公告)日：2023-07-04
申请号：CN202111009498.4
申请日：2021-08-31
Applicant: 同济大学
IPC: G06V40/20 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/044 , G06N3/08 , G06N3/048 , G06V10/764
Abstract: 本发明涉及一种基于无监督图序列预测编码的动作识别方法及存储介质，其中，动作识别方法，包括模型的训练与使用，用于识别骨骼序列中的人体所进行的各种动作，旨在解决现有动作识别方法高度依赖大量的有标注数据，在仅有少量标注的情况下精度较低与现有无监督方法过拟合没有利用图的拓扑信息及严重泛化能力较差的问题。本系统方法包括对骨骼序列数据的视角不变变换、重采样与块级骨骼图数据增强；时空图卷积骨骼序列块嵌入表示提取；图卷积循环神经网络聚合上下文特征；预测编码构造正、负样本对；通过预训练模型提取特征利用分类器得到待识别骨骼序列对应的动作类别。与现有技术相比，本发明具有训练难度低、识别精度高、性能优异等优点。
-
-
-
-
-
-
-
-
-
Search Results
212
records
(took 0.021 seconds)
