-
公开(公告)号：CN118411396A
公开(公告)日：2024-07-30
申请号：CN202410454513.3
申请日：2024-04-16
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种深度补全方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取RGB图像、稀疏深度图以及相机内参矩阵；对所述稀疏深度图进行法相估计处理，得到稀疏法向图；通过深度补全网络对所述RGB图像、所述稀疏深度图、所述相机内参矩阵以及所述稀疏法向图进行融合编码处理得到深度编码，并对所述深度编码进行解码处理，得到稠密深度图；其中，所述稠密深度图的图像稠密度高于所述稀疏深度图的图像稠密度。
-
公开(公告)号：CN110223380A
公开(公告)日：2019-09-10
申请号：CN201910502762.4
申请日：2019-06-11
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于场景建模领域，具体涉及一种融合航拍与地面视角图像的场景建模方法、系统、装置，旨在为了解决针对室内场景结构复杂、纹理缺乏，基于图像的建模结果不完整、不精确融合的问题。本发明方法包括：S100，获取待建模的室内场景的航拍视角图像，并构建航拍地图；S200，基于所述航拍地图，通过由航拍地图合成地面视角参考图像的方法，获取合成图像；S300，通过地面相机采集的地面视角图像，获取地面视角图像集合；S400，基于所述合成图像，将所述航拍视角图像与所述地面视角图像进行融合，获取室内场景模型。本发明可以生成完整、精确的室内场景模型，兼顾采集效率与重建精度，并且具有较强的鲁棒性。
-
公开(公告)号：CN118864558A
公开(公告)日：2024-10-29
申请号：CN202410590879.3
申请日：2024-05-13
Applicant: 中国科学院自动化研究所
IPC: G06T7/55 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本申请提供一种深度补全方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取RGB图像、稀疏深度图以及所述稀疏深度图的稀疏法向图；通过将所述RGB图像输入Transformer模型得到第一稠密深度图与第一置信度图，通过将所述稀疏深度图输入所述Transformer模型得到第二稠密深度图与第二置信度图，通过将所述稀疏法向图输入所述Transformer模型得到第三稠密深度图与第三置信度图；通过对所述第一稠密深度图、所述第一置信度图、所述第二稠密深度图、所述第二置信度图、所述第三稠密深度图以及所述第三置信度图进行融合处理，得到目标稠密深度图。
-
公开(公告)号：CN118171697B
公开(公告)日：2024-08-30
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
公开(公告)号：CN118411396B
公开(公告)日：2025-03-21
申请号：CN202410454513.3
申请日：2024-04-16
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种深度补全方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取RGB图像、稀疏深度图以及相机内参矩阵；对所述稀疏深度图进行法相估计处理，得到稀疏法向图；通过深度补全网络对所述RGB图像、所述稀疏深度图、所述相机内参矩阵以及所述稀疏法向图进行融合编码处理得到深度编码，并对所述深度编码进行解码处理，得到稠密深度图；其中，所述稠密深度图的图像稠密度高于所述稀疏深度图的图像稠密度。
-
Patent Agency Ranking
公开(公告)号：CN118397171A
公开(公告)日：2024-07-26
申请号：CN202410359798.2
申请日：2024-03-27
Applicant: 中国科学院自动化研究所
IPC: G06T17/00 , G06V10/74 , G06V10/762
Abstract: 本发明涉及三维重建技术领域，提供一种三维线段重建方法、装置、电子设备及存储介质，将图像集中所有二维线段对应的所有最佳三维线段建议选择问题建模成0‑1规划问题，0‑1规划问题中任一图像中任一二维线段的任一三维线段建议对应的一致性得分函数基于该三维线段建议与该图像中所有邻域图像的最大相似性得分之和确定；该三维线段建议与该图像中某个邻域图像的最大相似性得分是指：三维线段建议与该邻域图像中与该二维线段匹配的所有二维线段的最佳三维线段建议之间的相似性得分的最大值。利用所有二维线段的最佳三维线段建议计算三维线段建议的一致性得分，可以增强二维支撑线段与三维线段建议之间的支撑关系，准确构建目标三维线段地图。
-
公开(公告)号：CN118314006A
公开(公告)日：2024-07-09
申请号：CN202410219614.2
申请日：2024-02-28
Applicant: 中国科学院自动化研究所
IPC: G06T3/067 , G06V10/764 , G06V10/774 , G06T7/12
Abstract: 本发明提供一种结合语义的室内平面布置图重建方法、装置及电子设备，其中方法包括：获取室内场景的三维点云，并将三维点云转换成密度图；将密度图输入至实例分割网络中，得到具有房间语义的房间实例轮廓，基于房间实例轮廓得到房间查询；将密度图输入至编码模型中，得到模型输出的房间图像特征，将房间图像特征和房间查询输入至解码模型中，得到模型输出的更新房间查询；对更新房间查询进行顶点选择，得到重建室内平面布置图。将平面布置图重建问题视为房间查询的优化过程，且房间查询包括房间的顶点坐标和角点标签，使用实例分割初始化的房间查询有助于在解码模型的顶点优化过程中预测更准确的多边形序列，提高室内平面布置图重建的准确性。
-
公开(公告)号：CN110223389B
公开(公告)日：2021-05-04
申请号：CN201910502755.4
申请日：2019-06-11
Applicant: 中国科学院自动化研究所
IPC: G06T17/20
Abstract: 本发明属于场景建模领域，具体涉及一种融合图像与激光数据的场景建模方法、系统、装置，旨在为了解决现有大规模场景建模技术中无法兼顾精度、灵活度的问题。本发明方法首先对场景进行图像采集并建模，基于图像建模结果，综合考虑场景结构复杂程度、纹理丰富程度以及扫描位置分布情况，自动规划激光扫描位置。之后，该方法通过激光点云投影合成图像，并与采集图像进行匹配。基于获取的图像与激光数据之间的跨数据类型特征匹配，采用由粗到细的流程，实现图像与激光数据的融合。本发明兼顾数据采集效率以及重建精度与完整性，可生成精确、完整的场景重建结果。
-
公开(公告)号：CN118171697A
公开(公告)日：2024-06-11
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
公开(公告)号：CN117934524A
公开(公告)日：2024-04-26
申请号：CN202311753244.2
申请日：2023-12-19
Applicant: 中国科学院自动化研究所
IPC: G06T7/13 , G06T5/50 , G06N3/0499 , G06N3/045 , G06N3/044 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种建筑物轮廓提取方法及装置，所述方法包括：获取建筑物卫星图像；将建筑物卫星图像输入至建筑物指针网络BPN，得到BPN输出的建筑物轮廓；其中，BPN包括角点检测模块与角点顺序预测模块，角点检测模块用于基于DETR神经网络从建筑物卫星图像中提取出候选顶点；角点顺序预测模块用于将候选顶点与建筑物卫星图像的多尺寸特征图像融合，作为RNN神经网络的输入序列；基于输入序列的注意力机制，从候选顶点中选出目标顶点，构建出建筑物轮廓，如此使用BPN实现了更泛化能力地提取建筑物轮廓。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.032 seconds)
