-
公开(公告)号：CN116168312B
公开(公告)日：2023-09-08
申请号：CN202310155912.5
申请日：2023-02-23
Applicant: 兰州交通大学
Abstract: 本发明公开一种复杂场景下端到端的AR辅助装配三维注册方法及系统，涉及AR辅助装配技术领域，训练好的位姿预测模型包括依次连接的特征提取模块和位姿预测模块，特征提取模块采用特征注意力机制和多尺度网络框架，位姿预测模块采用线性回归、可微渲染器和位姿校准网络，后续利用训练好的位姿预测模型确定场景图像中的待注册对象的预测位姿，以进一步根据预测位姿将虚拟信息渲染至待注册对象上，从而实现虚拟信息的渲染，通过采用新型结构的训练好的位姿预测模型，能够实现强适应性、高准确度和实时性的位姿预测，从而有效提高实际AR辅助装配作业的效率。
-
公开(公告)号：CN116168312A
公开(公告)日：2023-05-26
申请号：CN202310155912.5
申请日：2023-02-23
Applicant: 兰州交通大学
Abstract: 本发明公开一种复杂场景下端到端的AR辅助装配三维注册方法及系统，涉及AR辅助装配技术领域，训练好的位姿预测模型包括依次连接的特征提取模块和位姿预测模块，特征提取模块采用特征注意力机制和多尺度网络框架，位姿预测模块采用线性回归、可微渲染器和位姿校准网络，后续利用训练好的位姿预测模型确定场景图像中的待注册对象的预测位姿，以进一步根据预测位姿将虚拟信息渲染至待注册对象上，从而实现虚拟信息的渲染，通过采用新型结构的训练好的位姿预测模型，能够实现强适应性、高准确度和实时性的位姿预测，从而有效提高实际AR辅助装配作业的效率。
-
公开(公告)号：CN114882536A
公开(公告)日：2022-08-09
申请号：CN202210656248.8
申请日：2022-06-10
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于改进SSD的轻量化手势实时检测方法，该检测方法以SSD为基础网络，包括使用MobileNet v2作为模型主干特征提取网络，减小模型的参数量和计算复杂度；设计INA多尺度卷积模块，并应用在其中三个预测特征层，通过连接不同尺寸的卷积核，增加网络对不同尺度特征的适应性；采用K‑means++聚类算法自适应生成适合手部的候选框，对手部进行准确定位来提高模型的检测精度；在制作的手势数据集上对改进后的SSD网络结构进行训练，得到训练好的手势检测模型进行手势检测。应用本发明，可以有效解决手部检测模型由于模型复杂、计算量大难以应用于移动端的问题，并且在减小模型大小和提高检测速度的同时保证了检测精度，适合人机交互下的实时手部检测。
-
公开(公告)号：CN113920435A
公开(公告)日：2022-01-11
申请号：CN202111315604.1
申请日：2021-11-08
Applicant: 兰州交通大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于密集网络和注意力机制的铁路沿线遥感图像地物检测方法，涉及深度学习及遥感图像地物目标检测领域。包括使用DenseNet模块代替YOLOv4网络结构CSPDarknet53中部分CSP单元的ResNet残差模块，以实现特征重用；在YOLOv4的骨干网中的每个CSP_Unit中增加一个压缩激励结构，以增强提取特征的能力；在输出网络之前引入通道和空间注意力机制，从而提高检测的准确性。制作铁路沿线遥感地物目标检测数据集，并在该数据集上对改进后的YOLOv4网络结构进行训练，得到训练好的铁路沿线遥感地物检测模型，进行地物检测。本发明能够提高检测速度和检测精度，减小模型大小，适合铁路沿线遥感地物目标检测，满足实时性的要求。
-
公开(公告)号：CN119313734A
公开(公告)日：2025-01-14
申请号：CN202411375261.1
申请日：2024-09-30
Applicant: 兰州交通大学
Abstract: 本申请公开了一种三维手部姿态估计方法、设备、介质及产品，涉及手部姿态估计领域，通过获取待估计手部RGB图像；利用2.5D姿态关键点预测模型，确定待估计手部RGB图像的2.5D姿态关键点；其中，2.5D姿态关键点预测模型是利用训练数据集对初始模型进行训练得到的；初始模型包括S‑HGNet模块、多尺度特征融合模块和2.5D姿态转换模块；S‑HGNet模块为改进的沙漏网络；改进的沙漏网络是将沙漏网络中的Basicblock模块替换为感受强化模块。根据待估计手部RGB图像的2.5D姿态关键点，利用逆透视投影法，确定待估计手部RGB图像的三维关键点坐标。本申请提高了手部姿态估计的精度。
-
Patent Agency Ranking
公开(公告)号：CN118247690A
公开(公告)日：2024-06-25
申请号：CN202410453141.2
申请日：2024-04-16
Applicant: 兰州交通大学 , 甘肃路桥飞宇交通设施有限责任公司
IPC: G06V20/17 , G06V20/10 , G06V10/52 , G06V10/80 , G06V10/26 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，涉及图像识别领域，方法包括将目标图像输入至训练好的分类网络模型中输出带有裂缝的路面图像；将带有裂缝的路面图像输入至训练好的分割网络模型中得到裂缝分割结果；分割网络模型包括依次连接的特征提取模块以及解码模块；通过迁移预训练分割网络模型中的特征提取模块的结构和学习的权值，得到分类网络模型的特征提取模块；特征提取模块包括编码模块和特征增强模块，编码模块包括输入卷积层、左边路径子模块、卷积注意子模块和编码器子模块；解码模块包括解码器子模块、注意力子模块以及深度监督子模块。本发明可高效、准确地对路面裂缝图像进行裂缝分割。
-
公开(公告)号：CN115565429B
公开(公告)日：2023-10-10
申请号：CN202211271898.7
申请日：2022-10-18
Applicant: 兰州交通大学
Abstract: 本发明涉及一种轨道交通列车控制设备培训系统，包括：模型构建模块，用于构建各设备的三维立体模型；场景构建模块，用于构建三维全景地图，并与各三维立体模型进行融合，得到三维全景模型；全息互动教学模块，用于基于三维全景模型和各三维立体模型实现互动教学；仿真实验模块，用于基于三维全景模型和各三维立体模型构建仿真实验平台，三维全景模型和各三维立体模型基于控制指令执行相应动作；动态演示模块，用于基于各三维立体模型、各三维立体模型对应的文字描述和演示动画构建动态演示平台。本发明提高了教学模式和时效性，通过增加仿真实验加强对知识点的掌握。
-
公开(公告)号：CN114004865A
公开(公告)日：2022-02-01
申请号：CN202111314111.6
申请日：2021-11-08
Applicant: 兰州交通大学
Abstract: 本发明公开了一种结合DSST尺度估计的孪生网络增强现实目标跟踪注册方法，将DSST滤波器引入到孪生网络跟踪过程中，用HOG特征弥补孪生网络中深度特征，抑制向相似目标产生漂移；转移到DSST中的候选目标由SiamFC筛选更加准确，缓解了DSST的边界效应；目标位置和尺度传递回SiamFC网络后，采用线性插值更新相关滤波系数进行目标重定位，得到较为精准的待注册目标区域；对待注册目标特征通过ORB算法进行检测匹配，通过汉明距离进行匹配后对误匹配对采用RANSAC进行剔除，并根据匹配相邻帧间特征关系求得注册矩阵，并与OpenGL生成的立方体虚拟模型渲染后完成虚拟信息的注册，确保实时性的同时提高了传统的增强现实跟踪注册算法结果的准确率、鲁棒性和稳健性。
-
公开(公告)号：CN116912695B
公开(公告)日：2025-04-15
申请号：CN202310929817.6
申请日：2023-07-27
Applicant: 兰州交通大学 , 甘肃路桥飞宇交通设施有限责任公司
IPC: G06V20/10 , G06V10/44 , G06V10/86 , G06N3/0464 , G06V10/82 , G06V10/764
Abstract: 本发明公开一种基于双编解码网络的遥感影像道路提取方法、系统及设备，涉及道路提取领域。本发明通过获取高分辨率遥感影像并构建双编解码网络，来利用高分辨率遥感影像训练双编解码网络，然后利用训练好的双编解码网络对待提取遥感影像进行道路提取。本发明基于残差U块和解编结合模块构建具有双编解码结构的双编解码网络，通过编码器提取更丰富的局部和全局上下文特征，同时借助解编结合模块联系前后编解码器，充分利用多尺度特征来增强语义信息，从而提高了遥感影像道路提取结果的完整性和准确性。
-
公开(公告)号：CN117690188A
公开(公告)日：2024-03-12
申请号：CN202410015795.7
申请日：2024-01-05
Applicant: 兰州交通大学
IPC: G06V40/20 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种手部姿态估计方法、系统及电子设备，涉及姿态估计领域，该方法包括：获取待估计姿态的手部图像；根据手部图像，利用手部姿态估计模型，确定手部关节点预测图像，进而确定手部姿态。其中，手部姿态估计模型是利用训练数据集对初始模型进行训练得到的；训练数据集为CMU‑Hand数据集；初始模型包括依次连接的特征图提取模块、热图估计模块和GCN特征增强模块；所述特征图提取模块还与所述GCN特征增强模块连接。本发明提高了手部姿态估计的准确性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
