-
公开(公告)号：CN114663509B
公开(公告)日：2022-09-27
申请号：CN202210290488.0
申请日：2022-03-23
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
Abstract: 本发明提供一种关键点热力图引导的自监督单目视觉里程计方法，属于计算机视觉领域。所述方法包括：构建位姿估计网络与深度估计网络；将视频图像序列输入位姿估计网络与深度估计网络；提取视频图像序列中每帧图像的关键点并生成关键点热力图；将位姿估计网络输出的每对相邻帧图像之间的位姿相乘得到较长时段的位姿，并基于深度估计网络输出的深度图像以及生成的关键点热力图，计算视频图像序列位姿一致性约束的光度误差损失函数；基于得到的光度误差损失函数，训练所述位姿估计网络与深度估计网络；利用训练好的位姿估计网络估计待估计位姿的视频图像序列中每帧图像对应的相机位姿。采用本发明，能够提高相机位姿估计的精度。
-
公开(公告)号：CN114663496B
公开(公告)日：2022-10-18
申请号：CN202210290482.3
申请日：2022-03-23
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
Abstract: 本发明提供一种基于卡尔曼位姿估计网络的单目视觉里程计方法，属于计算机视觉技术领域。所述方法包括：构建深度估计网络和基于卡尔曼滤波的位姿估计网络；根据位姿估计网络输出的每对相邻帧图像之间的位姿变换以及深度估计网络输出的输入帧的深度图像，计算视频图像序列基于运动加权的光度误差损失函数；在构建的位姿估计网络与深度估计网络中，引入变分自动编码器结构，计算变分自动编码器损失函数；基于得到的光度误差损失函数和变分自动编码器损失函数，采取针对帧缺失情况的训练策略训练位姿估计网络与深度估计网络；利用训练好的位姿估计网络估计每帧图像对应的相机位姿。采用本发明，能够提高相机位姿估计的精度并适应帧缺失的情况。
-
公开(公告)号：CN114581953A
公开(公告)日：2022-06-03
申请号：CN202210248071.8
申请日：2022-03-14
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
IPC: G06V40/10 , G06K9/62 , G06V10/774
Abstract: 本发明提供一种基于关节点难例挖掘的人体姿态估计方法，属于人体姿态估计领域。所述方法包括：获取人体姿态估计的公用数据集；对CMU‑Pose网络进行改进，将CMU‑Pose网络中的骨干网络替换为引入注意力机制的ResNet网络，以提升有用特征并抑制用处不大的特征，并引入关节点难例挖掘算法，提高对手腕脚踝等比较灵活及较难估计的关节点的提取效果；利用公用数据集中的图像训练改进后的CMU‑Pose网络；将待测图像输入训练好的改进后的CMU‑Pose网络得到人体姿态估计结果。采用本发明，能够提升对较难预测以及较灵活的关节点预测的准确度。
-
公开(公告)号：CN115631319B
公开(公告)日：2023-06-23
申请号：CN202211361582.7
申请日：2022-11-02
Applicant: 北京科技大学 , 北京科技大学顺德创新学院
Abstract: 本发明提供一种基于交叉注意力网络的回环检测方法，属于计算机视觉技术领域。所述方法包括：对激光雷达原始三维点云数据进行预处理，获得对应的球面投影图，即训练帧；构建基于自注意力机制和交叉注意力机制的重叠度估计网络；利用得到的训练帧，训练所述重叠度估计网络；利用训练好的重叠度估计网络估计每对扫描对之间的重叠度，扫描对为两帧激光雷达的球面投影图，选取重叠度估计值高于阈值的扫描对作为回环检测候选对象，对于当前帧，选择重叠度估计值最大的候选者作为回环匹配帧，且判定该回环匹配帧位置为回环检测结果。采用本发明，能够提高回环检测或地点识别中的准确率和召回率。
-
公开(公告)号：CN115631319A
公开(公告)日：2023-01-20
申请号：CN202211361582.7
申请日：2022-11-02
Applicant: 北京科技大学 , 北京科技大学顺德创新学院
Abstract: 本发明提供一种基于交叉注意力网络的回环检测方法，属于计算机视觉技术领域。所述方法包括：对激光雷达原始三维点云数据进行预处理，获得对应的球面投影图，即训练帧；构建基于自注意力机制和交叉注意力机制的重叠度估计网络；利用得到的训练帧，训练所述重叠度估计网络；利用训练好的重叠度估计网络估计每对扫描对之间的重叠度，扫描对为两帧激光雷达的球面投影图，选取重叠度估计值高于阈值的扫描对作为回环检测候选对象，对于当前帧，选择重叠度估计值最大的候选者作为回环匹配帧，且判定该回环匹配帧位置为回环检测结果。采用本发明，能够提高回环检测或地点识别中的准确率和召回率。
-
Patent Agency Ranking
公开(公告)号：CN114663496A
公开(公告)日：2022-06-24
申请号：CN202210290482.3
申请日：2022-03-23
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
Abstract: 本发明提供一种基于卡尔曼位姿估计网络的单目视觉里程计方法，属于计算机视觉技术领域。所述方法包括：构建深度估计网络和基于卡尔曼滤波的位姿估计网络；根据位姿估计网络输出的每对相邻帧图像之间的位姿变换以及深度估计网络输出的输入帧的深度图像，计算视频图像序列基于运动加权的光度误差损失函数；在构建的位姿估计网络与深度估计网络中，引入变分自动编码器结构，计算变分自动编码器损失函数；基于得到的光度误差损失函数和变分自动编码器损失函数，采取针对帧缺失情况的训练策略训练位姿估计网络与深度估计网络；利用训练好的位姿估计网络估计每帧图像对应的相机位姿。采用本发明，能够提高相机位姿估计的精度并适应帧缺失的情况。
-
公开(公告)号：CN114581953B
公开(公告)日：2022-09-30
申请号：CN202210248071.8
申请日：2022-03-14
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
IPC: G06V40/10 , G06K9/62 , G06V10/774
Abstract: 本发明提供一种基于关节点难例挖掘的人体姿态估计方法，属于人体姿态估计领域。所述方法包括：获取人体姿态估计的公用数据集；对CMU‑Pose网络进行改进，将CMU‑Pose网络中的骨干网络替换为引入注意力机制的ResNet网络，以提升有用特征并抑制用处不大的特征，并引入关节点难例挖掘算法，提高对手腕脚踝等比较灵活及较难估计的关节点的提取效果；利用公用数据集中的图像训练改进后的CMU‑Pose网络；将待测图像输入训练好的改进后的CMU‑Pose网络得到人体姿态估计结果。采用本发明，能够提升对较难预测以及较灵活的关节点预测的准确度。
-
公开(公告)号：CN114663509A
公开(公告)日：2022-06-24
申请号：CN202210290488.0
申请日：2022-03-23
Applicant: 北京科技大学 , 北京科技大学顺德研究生院
Abstract: 本发明提供一种关键点热力图引导的自监督单目视觉里程计方法，属于计算机视觉领域。所述方法包括：构建位姿估计网络与深度估计网络；将视频图像序列输入位姿估计网络与深度估计网络；提取视频图像序列中每帧图像的关键点并生成关键点热力图；将位姿估计网络输出的每对相邻帧图像之间的位姿相乘得到较长时段的位姿，并基于深度估计网络输出的深度图像以及生成的关键点热力图，计算视频图像序列位姿一致性约束的光度误差损失函数；基于得到的光度误差损失函数，训练所述位姿估计网络与深度估计网络；利用训练好的位姿估计网络估计待估计位姿的视频图像序列中每帧图像对应的相机位姿。采用本发明，能够提高相机位姿估计的精度。
-
公开(公告)号：CN119935136A
公开(公告)日：2025-05-06
申请号：CN202411862444.6
申请日：2024-12-17
Applicant: 北京科技大学
Abstract: 本发明提供一种基于粒子距离适应度的集群协同导航方法，涉及多智能体协同导航技术领域。该方法包括：在由多个无人机组成的多无人机协同编队中，根据匀加速曲线运动学建立系统运动模型并由超宽带测得的相对测距约束构成系统量测模型；基于构建的系统运动模型与系统量测模型，构建集群协同导航滤波模型；基于构建的集群协同导航滤波模型，采用基于粒子距离适应度的误差约束量子粒子群优化改进粒子滤波算法进行迭代滤波，得到各无人机的状态变量的优化结果；本发明，能够有效提高在全球卫星导航系统拒止情况下的集群无人机定位精度与鲁棒性。
-
公开(公告)号：CN114612347B
公开(公告)日：2022-08-16
申请号：CN202210506856.0
申请日：2022-05-11
Applicant: 北京科技大学
Abstract: 本发明提供一种多模块级联的水下图像增强方法，属于计算机视觉技术领域。所述方法包括：将现有的空气图像增强网络与颜色校正网络级联，构建多模块级联增强网络，其中，空气图像增强网络用于解决水下图像中与空气图像相似的退化问题，颜色校正网络用于校正水下图像中存在的色偏；获取成对水下图像数据集，利用获取的成对水下图像数据集训练所述多模块级联增强网络；获取待增强的水下图像，将待增强的水下图像送入训练好的多模块级联增强网络，得到增强后的水下图像。采用本发明，能够解决水下成像中不同类型的退化问题。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.099 seconds)
