-
公开(公告)号:CN113743254A
公开(公告)日:2021-12-03
申请号:CN202110947036.0
申请日:2021-08-18
Applicant: 北京格灵深瞳信息技术股份有限公司
Abstract: 本申请实施例中提供了一种视线估计方法、装置、电子设备及存储介质,该方法包括:获取人脸图像;获取人脸图像中的眼部轮廓,并基于所述眼部轮廓从所述人脸图像中,裁剪出眼部图像;将所述眼部图像输入视线估计模型,得到视线向量,其中,所述视线估计模型为根据样本眼部图像,以及与所述样本眼部图像对应的轮廓标注信息和标注向量训练神经网络模型得到,所述轮廓标注信息包括眼部轮廓和瞳孔轮廓。通过训练神经网络模型得到视线估计模型,基于该视线估计模型对眼部图像进行视线估计,无需额外的硬件设施,成本较低,使用方便快捷,易于广泛使用。
-
公开(公告)号:CN117853496A
公开(公告)日:2024-04-09
申请号:CN202311864509.6
申请日:2023-12-29
Applicant: 北京格灵深瞳信息技术股份有限公司
Abstract: 本申请实施例提供一种轨道扣件弹条变形检测方法、系统、设备及存储介质,涉及轨道交通技术领域。该方法首先采集轨道扣件的弹条的RGB图和Depth图,将Depth图与RGB图对齐,并进一步获取Depth图的点云;通过编码器处理提取RGB图和Depth图的特征并进行融合,通过解码器处理对融合后的特征进行分割预测,获得弹条的分割图像,并根据Depth图的点云和分割图像获取弹条的现场点云;判断弹条的类型,提取现场点云的几何特征,将现场点云的几何特征与类型相同的预设的弹条标准点云的几何特征进行特征匹配,进行点云配准,以对弹条进行变形检测。本申请提高了分割的准确性和鲁棒性,实现了自动判别扣件中弹条的类型及状态,大大提高了检测精度。
-
公开(公告)号:CN117496294A
公开(公告)日:2024-02-02
申请号:CN202311308645.7
申请日:2023-10-10
Applicant: 北京格灵深瞳信息技术股份有限公司
IPC: G06V10/774 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本申请实施例提供基于生成式无监督学习的列车异常检测方法、系统及设备,包括:S10,构建列车异常检测模型;S20,获取目标列车待检区域的图像数据集;S30,将图像数据集划分为训练数据集和测试数据集;S40,通过训练数据集中的训练图像数据对列车异常检测模型进行训练,获得训练好的列车异常检测模型;S50,将测试数据集中的测试图像数据输入到训练好的列车异常检测模型中,输出列车异常定位图;具有对存储空间依赖较小的、检测速度较高的有益效果,适用于计算机视觉技术领域。
-
公开(公告)号:CN113743254B
公开(公告)日:2024-04-09
申请号:CN202110947036.0
申请日:2021-08-18
Applicant: 北京格灵深瞳信息技术股份有限公司
Abstract: 本申请实施例中提供了一种视线估计方法、装置、电子设备及存储介质,该方法包括:获取人脸图像;获取人脸图像中的眼部轮廓,并基于所述眼部轮廓从所述人脸图像中,裁剪出眼部图像;将所述眼部图像输入视线估计模型,得到视线向量,其中,所述视线估计模型为根据样本眼部图像,以及与所述样本眼部图像对应的轮廓标注信息和标注向量训练神经网络模型得到,所述轮廓标注信息包括眼部轮廓和瞳孔轮廓。通过训练神经网络模型得到视线估计模型,基于该视线估计模型对眼部图像进行视线估计,无需额外的硬件设施,成本较低,使用方便快捷,易于广泛使用。
-
公开(公告)号:CN117710435A
公开(公告)日:2024-03-15
申请号:CN202311864945.3
申请日:2023-12-29
Applicant: 北京格灵深瞳信息技术股份有限公司
Abstract: 本申请实施例提供一种轨道扣件弹条压力检测方法、系统、设备及存储介质,涉及轨道交通技术领域。该方法首先采集包含轨道及轨道扣件的弹条的Depth图,并进一步获取Depth图的点云;对点云中的轨道和弹条进行分割预测,获得轨道和弹条中弹舌的分割点云;对轨道的分割点云进行平面拟合获得拟合轨道平面,计算弹舌的分割点云与拟合轨道平面间的距离,以完成弹条的压力检测。本申请提高了分割的准确性和鲁棒性,实现了自动判别扣件中弹条的压力,大大提高了检测精度。
-
公开(公告)号:CN115439804A
公开(公告)日:2022-12-06
申请号:CN202211038266.6
申请日:2022-08-29
Applicant: 北京格灵深瞳信息技术股份有限公司
Abstract: 本申请实施例提供了一种用于高铁检修的监测方法以及装置,该方法包括:获取采集高铁目标位置的目标图像;基于目标图像利用深度卷积神经网络从样本图像中提取特征图;将特征图输入到目标检测模型中,确定目标图像是否存在异常,其中,目标检测模型是基于未出现异常的样本图像进行训练,直至样本图像的分布拟合到标准正态分布当中,结束检测模型训练,得到目标检测模型,基于深度学习的无监督异常检测的方法,只需要提供正常的数据进行训练,利用训练好的无监督学习的归一化流异常检测模型,即可得到异常物体在高铁检修图像上的位置,以解决传统的高铁检修中由于异常数据获取困难,导致训练的高铁检修模型识别异常准确性较低的技术问题。
-
-
-
-
-