-
公开(公告)号：CN116088495A
公开(公告)日：2023-05-09
申请号：CN202211416730.0
申请日：2022-11-14
Applicant: 中北大学
IPC: G05D1/02
Abstract: 本发明属于强化学习领域，具体涉及一种室内移动机器人强化学习导航方法，为解决在复杂环境复杂奖励的情况下，智能体导航中的样本利用率低以及导航成功率不高的问题，本发明在D3QN算法基础上，引入优势后见经验回放算法和分层强化学习结构。首先，通过比较不同轨迹点的优势函数来选择新目标点，拥有最大优势函数的轨迹点作为新目标点，根据新目标点，对轨迹样本重新标记并存入经验池中。然后，在分层强化学习的结构下，训练智能体在复杂的环境下学习，顶层智能体负责学习大范围的路径规划，底层智能体负责导航到子目标，最后实现到总目标点的导航。
-
公开(公告)号：CN115222684A
公开(公告)日：2022-10-21
申请号：CN202210799731.1
申请日：2022-07-06
Applicant: 中北大学
IPC: G06T7/00 , G06V10/764 , G06N20/00
Abstract: 本发明属于表面缺陷检测领域，具体涉及一种基于多任务增量学习的表面缺陷检测方法，可用于缺陷检测。该方法所包括的步骤如下：本发明利用MobileVIT进行特征提取，为面向新材质的新任务添加各自的全连接层作为相应的分类器，然后以逐任务的形式将样本输入模型，并对新旧任务计算交叉熵损失，对旧任务计算轻量化协方差特征蒸馏损失，其次利用反向传播算法优化模型，最后采用Herding方法挖掘样例。本发明采用轻量化的MobileVIT进行特征提取，并从模型和特征层面减轻灾难性遗忘，具有较高的实际工程应用价值。
-
公开(公告)号：CN114332172A
公开(公告)日：2022-04-12
申请号：CN202111198375.X
申请日：2021-10-14
Applicant: 中北大学
IPC: G06T7/33 , G06T17/20 , G06K9/62 , G06V10/46 , G06V10/74 , G06V10/764 , G06V10/762
Abstract: 本发明公开了一种基于协方差矩阵改进的激光点云配准方法，属于图形学三维重建技术领域。本发明通过采用张量投票与ISS相结合的关键点提取方法，使其具有一定的抗噪性，同时可剔除部分边界点降低误匹配率。特征描述符的构建需要充分包含点云的邻域信息，且不易受平移旋转的影响，具有鲁棒性。协方差矩阵描述子是一种可以充分描述邻域信息的描述子，角度量不受平移旋转的影响，是构建特征描述向量的极佳选择。本发明结合特征直方图中三维坐标系的建立方法，构建一个包含角度量与曲率信息的协方差矩阵，特征匹配使用双向最近距离法，降低误匹配率。
-
公开(公告)号：CN112419464A
公开(公告)日：2021-02-26
申请号：CN202011402042.X
申请日：2020-12-02
Applicant: 中北大学
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于点云局部凹凸性的三维碎块拼接方法。针对三维刚体碎片严重腐蚀且部分丢失的情况，使得碎片复原工作变得更加困难且高额的时间效率，本发明提出的方法包括关键点提取，特征描述子的生成与匹配，还有错误匹配点的剔除等步骤，可以有效的融合碎块的多个特征，并在有丢失的碎块模型上获得不错的拼接结果。
-
公开(公告)号：CN114332172B
公开(公告)日：2024-10-29
申请号：CN202111198375.X
申请日：2021-10-14
Applicant: 中北大学
IPC: G06F7/00
Abstract: 本发明公开了一种基于协方差矩阵改进的激光点云配准方法，属于图形学三维重建技术领域。本发明通过采用张量投票与ISS相结合的关键点提取方法，使其具有一定的抗噪性，同时可剔除部分边界点降低误匹配率。特征描述符的构建需要充分包含点云的邻域信息，且不易受平移旋转的影响，具有鲁棒性。协方差矩阵描述子是一种可以充分描述邻域信息的描述子，角度量不受平移旋转的影响，是构建特征描述向量的极佳选择。本发明结合特征直方图中三维坐标系的建立方法，构建一个包含角度量与曲率信息的协方差矩阵，特征匹配使用双向最近距离法，降低误匹配率。
-
Patent Agency Ranking
公开(公告)号：CN117036897A
公开(公告)日：2023-11-10
申请号：CN202310616820.2
申请日：2023-05-29
Applicant: 中北大学
IPC: G06V10/82 , G06V10/774 , G06V10/25 , G06V10/40 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/084 , G06V10/44 , G06V10/26 , G06N3/044
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于MetaRCNN的少样本目标检测方法。为克服现有检测技术在检测精度和在新类泛化能力差的缺点，本发明构建的深度学习网络实现包括ResNet为主干网，区域建议网络提取图像目标建议框，RoIAlign处理基础特征和感兴趣区域，特征聚合之后馈送到预测器，得到输出后与对应真值一起送入目标函数计算损失，反向传播调整参数，直至目标函数收敛，将采集构建的数据集输入到训练好的深度网络模型得到像素级预测输出，通过AP值衡量预测结果。
-
公开(公告)号：CN116858248A
公开(公告)日：2023-10-10
申请号：CN202310826903.4
申请日：2023-07-06
Applicant: 中北大学
Abstract: 本发明属于强化学习领域，具体涉及一种基于改进SAC算法的多目标路径规划方法。本发明拟收集足够的机器人到达各货架位置的路径经验，通过在实际配送前读取离线专家经验，来进行监督学习辅助，提高配送效率；基于SumTree的优先经验回放，提高有效路径样本经验的被采用率；基于多步TD‑error的计算奖励机制，综合考虑后续的多步奖励。本发明将机器人导航与强化学习中SAC算法相结合，摆脱了传统路径规划算法对模型的限制，提高了机器人的学习速度和对经验样本的利用效率，解决了机器人在货物配送环节对一次性配送多件货物的最优路径选择效果差，易陷入局部最优、无法合理规划路径和精确避开环境障碍物的问题。
-
公开(公告)号：CN116012587A
公开(公告)日：2023-04-25
申请号：CN202310067111.3
申请日：2023-01-16
Applicant: 中北大学
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于多尺度监督的三维场景点云分割方法。本发明引入多尺度监督的方式，通过对解码器每层进行额外的监督学习，判断隐藏层特征图质量的好坏，从而提高网络整体分割精度，促使网络隐藏层学习到的特征易区分、更具鲁棒性，进而改善网络对物体边缘的分割效果，广泛适用于大型室内点云语义分割。
-
公开(公告)号：CN116007607A
公开(公告)日：2023-04-25
申请号：CN202211551320.7
申请日：2022-12-05
Applicant: 中北大学
Abstract: 本发明属于机器人动态SLAM视觉技术领域，具体涉及一种多源语义感知下的室内动态SLAM方法。针对室内动态环境中的定位及建图精度不高，没有统一的语义表征和计算方法等问题，本发明拟基于多传感器，对室内常见物体分类，识别并移除分割出运动物体及与其交互的可移动物体，得到清晰完整的单视角三维点云；追踪帧间运动，基于加权RANSAC方法计算局部摄像机位姿；基于多传感器感知因子图，计算摄像机全局位姿并进行回环检测，基于微分流形方法得到整个场景的全局三维点云图及摄像机运动轨迹。
-
公开(公告)号：CN112419464B
公开(公告)日：2023-03-24
申请号：CN202011402042.X
申请日：2020-12-02
Applicant: 中北大学
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于点云局部凹凸性的三维碎块拼接方法。针对三维刚体碎片严重腐蚀且部分丢失的情况，使得碎片复原工作变得更加困难且高额的时间效率，本发明提出的方法包括关键点提取，特征描述子的生成与匹配，还有错误匹配点的剔除等步骤，可以有效的融合碎块的多个特征，并在有丢失的碎块模型上获得不错的拼接结果。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.029 seconds)
