-
公开(公告)号：CN112861366B
公开(公告)日：2024-07-30
申请号：CN202110203927.5
申请日：2021-02-23
Applicant: 中国电子科技集团公司第五十四研究所 , 中国科学院大学
IPC: G06F30/20
Abstract: 本公开提供了一种用于低轨卫星监测的调度系统及调度方法，其中，调度系统包括任务模块，用于基于接收到的采集信息确定待监测目标；基于待监测目标的属性信息生成监测任务，将监测任务发送给设备模块；设备模块，用于调度监测设备执行监测任务。本公开基于采集信息实时生成监测任务，并调度监测设备执行监测任务，能够在提高监测设备的调度效率的同时，确保监测设备调度的合理性，进而能够全面、有效地监测待监测目标，避免资源浪费。
-
公开(公告)号：CN112861366A
公开(公告)日：2021-05-28
申请号：CN202110203927.5
申请日：2021-02-23
Applicant: 中国电子科技集团公司第五十四研究所 , 中国科学院大学
IPC: G06F30/20
Abstract: 本公开提供了一种用于低轨卫星监测的调度系统及调度方法，其中，调度系统包括任务模块，用于基于接收到的采集信息确定待监测目标；基于待监测目标的属性信息生成监测任务，将监测任务发送给设备模块；设备模块，用于调度监测设备执行监测任务。本公开基于采集信息实时生成监测任务，并调度监测设备执行监测任务，能够在提高监测设备的调度效率的同时，确保监测设备调度的合理性，进而能够全面、有效地监测待监测目标，避免资源浪费。
-
公开(公告)号：CN118351147A
公开(公告)日：2024-07-16
申请号：CN202410548345.4
申请日：2024-05-06
Applicant: 中国科学院大学
Abstract: 本发明涉及一种基于稀疏跟踪输入的全身运动生成方法，包括：(1)收集稀疏跟踪输入，并采集符合人体运动分布的高斯噪声；(2)获取预先训练的人体解剖学扩散模型，所述人体解剖学扩散模型，包括用于进行流畅预测的流畅人体解剖网络，以及用于精确预测的准确人体解剖网络；(3)基于所述稀疏跟踪输入和所述符合人体运动分布的高斯噪声，通过所述流畅人体解剖网络和所述准确人体解剖网络进行并行运动回归；(4)基于所述稀疏跟踪输入和并行运动回归的结果，通过所述流畅人体解剖网络和所述准确人体解剖网络进行交替运动细化，生成全身运动的输出数据。本发明以处理稀疏跟踪输入并输出相应的全身运动，同时有着更高的准确性和平滑性。
-
公开(公告)号：CN117671625A
公开(公告)日：2024-03-08
申请号：CN202311619575.7
申请日：2023-11-30
Applicant: 中国科学院大学
Abstract: 本发明涉及一种基于扩散模型的自动驾驶多模态感知方法及系统，其包括：获取环境信息的2D图像特征，并生成一组与2D图像特征相同的随机噪声；将随机噪声作为输入信号输入扩散模型，利用扩散模型的逆扩散过程，将随机噪声进行逐步的逆扩散得到图像深度信息；将图像深度信息与2D图像特征相结合得到完整的3D特征，对3D特征的高度方向进行压缩，以得到图像模态的鸟瞰图视角特征，同时获取点云雷达模态的鸟瞰图视角特征；将图像模态的鸟瞰图视角特征与点云雷达模态的鸟瞰图视角特征进行融合，得到完整的鸟瞰图特征，以通过地图分割任务头实现地图分割任务。本发明可以有效提升多模态感知能力，可以在计算机视觉领域中广泛应用。
-
公开(公告)号：CN117671239A
公开(公告)日：2024-03-08
申请号：CN202311619574.2
申请日：2023-11-30
Applicant: 中国科学院大学
IPC: G06V10/25 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/0895 , G06N3/09 , G06V10/80
Abstract: 本发明涉及一种室内场景下的半监督3D目标检测方法、系统及存储介质，其包括：获取输入图像和标签，通过全监督网络完成预训练，将全部点云数据划分为有标注数据和无标注数据；将全部点云数据依次进行随机下采样、随机翻转和随机旋转后，输入学生网络计算预测损失，同时将全部点云数据仅进行随机下采样后输入教师网络，将学生网络和教师网络的预测点进行匹配，计算一致性损失；将标注数据随机删除网格内的点云，进行随机下采样后，输入增加的辅助网络产生预测结果，计算辅助网络产生预测结果与学生网络的投票一致性损失；将计算得到的所有损失相加作为半监督网络的总体损失，输入待检测的目标图像，通过训练得到的权重，标出目标的定位框以及分类。
-
Patent Agency Ranking
公开(公告)号：CN112630306B
公开(公告)日：2023-08-01
申请号：CN202010844781.8
申请日：2020-08-20
Applicant: 中国科学院大学
IPC: G01N29/26
Abstract: 本申请实施例公开了一种基于超声显微镜点聚焦换能器的自动对焦方法和系统，其中所述方法包括：取得试件表面的A扫描信号图像；设置对焦参数；根据中介液温度对中介液中的声速进行修正，通过点聚焦换能器声学透镜的焦距、延时等参数计算上表面自动对焦的位置；通过离散小波分解和维纳反卷积对A扫描信号进行解析，得到试件的分层信息；根据试件的分层信息选择目标对焦中间层反射信号；移动换能器找到中间层反射信号最大的概略位置点坐标；移动点聚焦换能器回到最大的位置点坐标的上一坐标点；移动点聚焦换能器，找到反射信号最大值的精确位置点坐标，以完成自动对焦。有效提高超声显微镜点聚焦换能器在使用过程中的对焦速度和精度。
-
公开(公告)号：CN112560757A
公开(公告)日：2021-03-26
申请号：CN202011548666.2
申请日：2020-12-24
Applicant: 中国科学院大学
Abstract: 本发明涉及一种端到端多视角三维人体姿态估计方法、系统及存储介质，其包括：加载预训练后的二维人体姿态估计网络，将当前每个视角的图片作为该网络的输入；通过二维人体姿态估计网络生成热力图，将其作为LSTM热力图时序信息提取网络的输入；根据时间序列步长T的取值将热力图输入至LSTM初始化热力图时序信息提取网络及LSTM热力图时序信息提取网络，得到细胞态及隐藏态；将得到的隐藏态馈送到解码器网络中，得到解码后的热力图；将热力图与解码后的热力图进行融合，得到融合了时间与空间信息的热力图Ht(p)；将热力图Ht(p)送入soft‑argmax线性代数三角化网络中得到2D点位置；求解齐次三维坐标向量上的超定方程采用可微分的DLT‑SII算法，得到最终的三维人体姿态估计点。
-
公开(公告)号：CN112446301A
公开(公告)日：2021-03-05
申请号：CN202011221705.8
申请日：2020-11-05
Applicant: 中国科学院大学
Abstract: 本发明属于图像处理领域，涉及一种遥感图像多类别目标检测方法和系统，包括以下步骤：S1通过不规则金字塔特征提取网络提取输入图像的不规则多尺度特征图；S2在不规则多尺度特征图上，每个位置点上设置锚点框；S3将不规则多尺度特征图和锚点框输入第一阶段检测子网络，设置第一阶段检测子网络的损失函数，并根据第一阶段的损失函数输出第一阶段的预测框；S4将不规则多尺度特征图和第一阶段的预测框输入第二个阶段检测子网络；设置第二个阶段检测子网络的损失函数，并根据第二阶段的损失函数输出第二阶段的预测框；S5根据第二阶段的预测框获取最终目标。其提升了对于多角度目标尤其是狭长型目标的检测性能。
-
公开(公告)号：CN112381061A
公开(公告)日：2021-02-19
申请号：CN202011409778.X
申请日：2020-12-04
Applicant: 中国科学院大学
Abstract: 本发明涉及一种面部表情识别方法及系统，其包括：采集人脸视频，针对每一帧视频检测是否有人脸区域，有则进入下一步，没有则跳过并进入下一帧图像的处理；在人脸区域内检测出预先设定数量的人脸特征点；基于人脸特征点的坐标位置，计算并裁剪面部区域图像；将裁剪后的面部区域图像进行缩放，输入训练好的轻量化空间注意力模块嵌入的面部表情识别网络模型，获得每个情感类别的预测概率值，概率最大的类别作为表情识别结果并输出。本发明能够识别人类面部7类基本表情和1个中立表情，可在少量注意力模块嵌入的基础上，能够提高非受控环境下面部表情的识别精度；能广泛在计算机视觉技术领域中应用。
-
公开(公告)号：CN112216371A
公开(公告)日：2021-01-12
申请号：CN202011312332.5
申请日：2020-11-20
Applicant: 中国科学院大学
Abstract: 本发明涉及一种多路多尺度并联编解码网络图像分割方法、系统及介质，其包括：将训练数据进行预处理，然后划分数据集为训练集和测试集；训练集用于训练多路多尺度编解码网络深度学习模型的网络参数，测试集用于验证迭代完成的网络参数的泛化性能，如果测试集精度不满足预先设定要求则从新划分数据集进行训练，如果满足预先设定要求则保存网络参数；对待预测数据作与训练数据相同的预处理，载入训练好的网络参数，最后对模型输入图像，并得到分割预测结果，分割结果以概率图表示。本发明能在医学图像分割任务中保持整体分割精度的同时，提高了对目标细节的分割效果，并且使网络训练收敛速度更快。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.074 seconds)
