-
公开(公告)号：CN114998410B
公开(公告)日：2024-11-12
申请号：CN202210392984.7
申请日：2022-04-15
Applicant: 北京大学深圳研究生院
IPC: G06T7/55
Abstract: 本发明的基于空间频率的提升自监督单目深度估计模型性能的方法，包括步骤：S1.提取图像中物体边界模棱两可的像素并掩膜；S2.用自适应模糊模块处理步骤S1掩膜后得到的输入图像；以及S3.将步骤S1、S2处理后的图像代替原始图片参与已有单目深度估计模型的训练过程。本发明方法能普适到几乎所有基于自监督学习的单目深度估计算法，其审视了图像的不同空间频率的区域对自监督深度估计模型学习过程的影响，使得损失函数更加鲁棒；本方法在保持推理时间完全不变的前提下，提高了社区内大量已有的开源自监督单目深度估计模型的精确度。
-
公开(公告)号：CN114758078B
公开(公告)日：2024-03-15
申请号：CN202210541385.7
申请日：2022-05-17
Applicant: 北京大学深圳研究生院
Abstract: 本申请提供了一种点云数据处理方法、装置、电子设备及存储介质，方法包括：S1、获取目标种类的n个对象的点云数据；S2、对于每一点云数据，将该点云数据输入到编码器中进行编码，得到该点云数据对应的第一隐码向量；S3、对于每一点云数据，将该点云数据和该点云数据对应的第一隐码向量输入到可逆解码器中，进行目标流程的正向过程，得到目标矩阵；S4、基于高斯分布矩阵和目标矩阵计算损失值；S5、若损失值大于预设损失值，则对编码器和可逆解码器进行优化，并重复S1～S4，直至损失值小于预设损失值，以将当前的可逆解码器作为训练完成后的可逆解码器。本申请能够使得训练完成后的可逆点云解码器重建的点云具有更丰富的细节。
-
公开(公告)号：CN114782564B
公开(公告)日：2022-09-09
申请号：CN202210700940.6
申请日：2022-06-21
Applicant: 北京大学深圳研究生院
IPC: G06T9/00 , G06V10/74 , G06V10/762 , G06K9/62
Abstract: 本公开涉及点云数据处理技术领域，具体提供了一种点云的压缩方法、装置、电子设备及存储介质，通过将待压缩点云划分为多个子点云块；确定每个子点云块对应的几何属性信息与颜色属性信息之间的相关系数并与预设的系数阈值进行比较，若大于，则根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；若小于，则计算该子点云块对应的纹理复杂度并与预设的复杂度阈值进行比较，若大于，则确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；若小于，则确定该子点云块对应的无权图，并基于无权图压缩子点云块。在充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性的同时，实现较优的压缩性能。
-
公开(公告)号：CN114998410A
公开(公告)日：2022-09-02
申请号：CN202210392984.7
申请日：2022-04-15
Applicant: 北京大学深圳研究生院
IPC: G06T7/55
Abstract: 本发明的基于空间频率的提升自监督单目深度估计模型性能的方法，包括步骤：S1.提取图像中物体边界模棱两可的像素并掩膜；S2.用自适应模糊模块处理步骤S1掩膜后得到的输入图像；以及S3.将步骤S1、S2处理后的图像代替原始图片参与已有单目深度估计模型的训练过程。本发明方法能普适到几乎所有基于自监督学习的单目深度估计算法，其审视了图像的不同空间频率的区域对自监督深度估计模型学习过程的影响，使得损失函数更加鲁棒；本方法在保持推理时间完全不变的前提下，提高了社区内大量已有的开源自监督单目深度估计模型的精确度。
-
公开(公告)号：CN114785998A
公开(公告)日：2022-07-22
申请号：CN202210694204.4
申请日：2022-06-20
Applicant: 北京大学深圳研究生院
IPC: H04N13/161 , H04N19/597 , H04N19/96 , H04N19/176 , G06V10/762 , G06K9/62
Abstract: 本公开提供了一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵；采用谱聚类算法将所述图过划分为多个子图；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
-
Patent Agency Ranking
公开(公告)号：CN108875610A
公开(公告)日：2018-11-23
申请号：CN201810569922.2
申请日：2018-06-05
Applicant: 北京大学深圳研究生院
Abstract: 一种基于边界查找的用于视频中动作时间轴定位的方法，采用时间轴边界似然的组件来改进第三阶段的定位问题。该组件通过三个步骤来执行更精确的视频动作定位：给定一段由第一和第二阶段产生的类别可知的动作提议，第一步将其左右边界扩充得到一个更大的搜索间隔片段，同时将这个时间间隔均匀等分成多个单元，每个单元包含同样数目的帧数；第二步对每一个单元计算内外概率或者边界概率，分别表示该单元位于真实标注之内或之外以及是该动作发生的开始边界或结束边界的概率；第三步基于每个单元计算出的概率，利用最大似然估计来估计出最优的动作时间轴边界，从而达到定位的效果。
-
公开(公告)号：CN116738208B
公开(公告)日：2024-07-30
申请号：CN202310732308.4
申请日：2023-06-19
Applicant: 北京大学深圳研究生院
IPC: G06F18/213 , G06N3/0464 , G06N10/00
Abstract: 本申请提供了一种量子态点云的特征提取方法、装置及电子设备，方法包括：获取原始点云，原始点云包括多个原始特征点；针对每个原始特征点，执行以下处理：利用预先构建的叠加态公式和欧拉公式对该原始特征点进行极坐标转换，得到该原始特征点在希尔伯特空间下的复值表达式；采用预设复值卷积网络对复值表达式进行特征卷积，得到该原始特征点对应的抽象表达；对各原始特征点对应的抽象表达进行特征降维处理，得到原始点云对应的量子态点云组合特征，本申请通过将点云转换为量子态，最终获得紧实有效的点云组合特征表达，提高后续针对点云数据的分析处理精度。
-
公开(公告)号：CN114758078A
公开(公告)日：2022-07-15
申请号：CN202210541385.7
申请日：2022-05-17
Applicant: 北京大学深圳研究生院
Abstract: 本申请提供了一种点云数据处理方法、装置、电子设备及存储介质，方法包括：S1、获取目标种类的n个对象的点云数据；S2、对于每一点云数据，将该点云数据输入到编码器中进行编码，得到该点云数据对应的第一隐码向量；S3、对于每一点云数据，将该点云数据和该点云数据对应的第一隐码向量输入到可逆解码器中，进行目标流程的正向过程，得到目标矩阵；S4、基于高斯分布矩阵和目标矩阵计算损失值；S5、若损失值大于预设损失值，则对编码器和可逆解码器进行优化，并重复S1～S4，直至损失值小于预设损失值，以将当前的可逆解码器作为训练完成后的可逆解码器。本申请能够使得训练完成后的可逆点云解码器重建的点云具有更丰富的细节。
-
公开(公告)号：CN114723629A
公开(公告)日：2022-07-08
申请号：CN202210330045.X
申请日：2022-03-31
Applicant: 北京大学深圳研究生院
IPC: G06T5/00
Abstract: 本发明的基于对抗学习的点云去噪增强方法，包括如下步骤：在深度点云去噪网络训练过程中，将点云噪声置信度估计模块嵌入原始点云去噪网络；将带噪点云输入到嵌入点云噪声置信度估计模块的深度点云去噪网络中，根据点云噪声置信度估计模块估计出的点云置信度向量以及深度点云去噪网络预测出的去噪点云结果计算对抗损失；每次迭代时根据对抗损失扰动输入点云，生成对抗样本加入训练。本发明的基于对抗学习的点云去噪增强方法，能够动态的生成模型难以处理的对抗样本，提升点云去噪训练的数据多样性，在生成高斯噪声和模拟激光雷达采样噪声去噪任务上本发明增强后的模型相较于基准模型都有一定的提升。
-
公开(公告)号：CN114612753A
公开(公告)日：2022-06-10
申请号：CN202210225261.8
申请日：2022-03-09
Applicant: 北京大学深圳研究生院
IPC: G06V10/776 , G06V10/774 , G06K9/62
Abstract: 本申请提供了一种图像识别模型的训练方法、装置、电子设备及存储介质，该方法包括：获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。本申请能够消除干扰识别结果的图像特征，即上下文偏移现象。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.031 seconds)
