-
公开(公告)号：CN118279674B
公开(公告)日：2024-09-27
申请号：CN202410685419.9
申请日：2024-05-30
Applicant: 无锡学院
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06V10/26 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明属于点云数据处理技术领域，本发明公开了基于切片式层级点云网络的目标分类、分割及检测方法，方法包括：将所述点云数据集输入已训练完成的SAPT多任务模型中，输出包含三种下游任务结果的综合处理结果；本发明采用point transformer网络结合锚点共享技术，在切片式的特征提取后利用自然语言处理技术NLP或图像处理IMAGE技术，提取到更加细节的全局特征，削弱关键点的权重，直接利用当前提取到的特征实现目标检测性能。
-
公开(公告)号：CN118038085B
公开(公告)日：2024-06-07
申请号：CN202410417807.9
申请日：2024-04-09
Applicant: 无锡学院
IPC: G06V10/46 , G06N3/045 , G06N3/088 , G06N3/0895 , G06V10/764 , G06V10/778 , G06V10/80 , G06V10/82
Abstract: 一种基于孪生网络的点云关键点检测方法及装置，涉及点云关键点检测领域。解决了现有技术输入的点云是单视角或存在缺陷时，其无法有效输出缺失位置的关键点的问题。所述方法包括将两个同一个物体的不同的单视觉点云数据输入孪生网络模型中，通过无监督学习训练得到两组有点云位置的受约束的关键点；将两组所述受约束的关键点拼接，合成完整的所述物体的关键点；通过孪生网络模型中的两个网络拟合，得到完整的不被约束的关键点；将检测关键点的任务分配给对应的关键点类别，得到训练好的孪生网络模型；输出一组受约束的关键点和一组不受约束的关键点，完成点云关键点的检测。还适用于缺失位置的关键点检测中。
-
Patent Agency Ranking
公开(公告)号：CN118038085A
公开(公告)日：2024-05-14
申请号：CN202410417807.9
申请日：2024-04-09
Applicant: 无锡学院
IPC: G06V10/46 , G06N3/045 , G06N3/088 , G06N3/0895 , G06V10/764 , G06V10/778 , G06V10/80 , G06V10/82
Abstract: 一种基于孪生网络的点云关键点检测方法及装置，涉及点云关键点检测领域。解决了现有技术输入的点云是单视角或存在缺陷时，其无法有效输出缺失位置的关键点的问题。所述方法包括将两个同一个物体的不同的单视觉点云数据输入孪生网络模型中，通过无监督学习训练得到两组有点云位置的受约束的关键点；将两组所述受约束的关键点拼接，合成完整的所述物体的关键点；通过孪生网络模型中的两个网络拟合，得到完整的不被约束的关键点；将检测关键点的任务分配给对应的关键点类别，得到训练好的孪生网络模型；输出一组受约束的关键点和一组不受约束的关键点，完成点云关键点的检测。还适用于缺失位置的关键点检测中。
-
公开(公告)号：CN118608802A
公开(公告)日：2024-09-06
申请号：CN202410956189.5
申请日：2024-07-17
Applicant: 无锡学院
IPC: G06V10/46 , G06N3/045 , G06N3/0895 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本发明属于点云检测技术领域，具体涉及一种基于超类的点云关键点检测方法及其检测系统。步骤1：生成超类别点云的特征；步骤2：构建孪生网络模型，对其中的点云关键点检测采用MHSCPD算法；步骤3：对步骤2构建的孪生网络模型进行训练，实现点云关键点检测；所述步骤2具体为，在特征空间中利用MHSC的超类别的多头分类机制根据现有的点云在特征空间中的分布情况，自适应的选择虚拟超类锚点进行聚类，根据同类之间的私有特征调整同类特征差异较大的样本之间的距离。本发明可以大幅提升点云关键点检测方法的精度，同时具有更优秀的鲁棒性。
-
公开(公告)号：CN118279718B
公开(公告)日：2024-08-27
申请号：CN202410674661.6
申请日：2024-05-29
Applicant: 无锡学院
IPC: G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/06 , G06N3/082 , G06V10/80
Abstract: 一种基于深度可分离卷积的轻量化害虫目标检测方法。属于图像处理及图像识别技术领域，具体涉及轻量化害虫目标检测技术领域。优化了YOLOv8网络结构，设计了LP_U模块和LP_D模块，并应用于YOLOv8结构中，形成LP‑YOLO(l)框架。通过剪枝和微调策略，得到精简的LP‑YOLO(s)模型，剪枝过程中减少了输出通道数和参数量，同时保留关键权重，并进一步通过参数训练得到最终的检测模型，这些策略提高了网络效率和紧凑性。解决了以往的害虫检测因复杂的参数和计算需求在资源受限的移动终端设备上部署困难的的问题。
-
公开(公告)号：CN118279718A
公开(公告)日：2024-07-02
申请号：CN202410674661.6
申请日：2024-05-29
Applicant: 无锡学院
IPC: G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/06 , G06N3/082 , G06V10/80
Abstract: 一种基于深度可分离卷积的轻量化害虫目标检测方法。属于图像处理及图像识别技术领域，具体涉及轻量化害虫目标检测技术领域。优化了YOLOv8网络结构，设计了LP_U模块和LP_D模块，并应用于YOLOv8结构中，形成LP‑YOLO(l)框架。通过剪枝和微调策略，得到精简的LP‑YOLO(s)模型，剪枝过程中减少了输出通道数和参数量，同时保留关键权重，并进一步通过参数训练得到最终的检测模型，这些策略提高了网络效率和紧凑性。解决了以往的害虫检测因复杂的参数和计算需求在资源受限的移动终端设备上部署困难的的问题。
-
公开(公告)号：CN118279674A
公开(公告)日：2024-07-02
申请号：CN202410685419.9
申请日：2024-05-30
Applicant: 无锡学院
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06V10/26 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明属于点云数据处理技术领域，本发明公开了基于切片式层级点云网络的目标分类、分割及检测方法，方法包括：将所述点云数据集输入已训练完成的SAPT多任务模型中，输出包含三种下游任务结果的综合处理结果；本发明采用point transformer网络结合锚点共享技术，在切片式的特征提取后利用自然语言处理技术NLP或图像处理IMAGE技术，提取到更加细节的全局特征，削弱关键点的权重，直接利用当前提取到的特征实现目标检测性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
