-
Patent Agency Ranking
公开(公告)号：CN118747764A
公开(公告)日：2024-10-08
申请号：CN202410889977.7
申请日：2024-07-04
Applicant: 桂林电子科技大学
Abstract: 本发明涉及3D点云配准技术领域，具体涉及一种结合注意力机制与多模型校准的点云配准算法，重叠代表点云配准算法：基于原始点云和目标点云获取原始点云的点重叠分数、目标点云的点重叠分数和点云的初始对齐，去除非匹配点，加权奇异值分解估计变换得到第一变换参数；端到端对应点云配准算法：对原始点云和目标点云进行下采样和特征提取，获取不同分支的点云信息，预测转换后关键点的坐标输出第二变换参数；基于误差评估重叠代表点云配准算法和端到端对应点云配准算法，选择误差小的算法作为当前点云配准方案。本发明根据输入点云数据的不同特征，结合两种方法各自的优点，实现对原始点云针对性配准，提高配准精度。
-
公开(公告)号：CN117611810A
公开(公告)日：2024-02-27
申请号：CN202311457394.9
申请日：2023-11-03
Applicant: 桂林电子科技大学
Abstract: 本发明涉及图像分割技术领域，具体涉及一种基于Segformer的轻量化道路图像分割方法，针对Segformer模型存在的问题，基于交叉特征融合网络进行改进，在第一层中引入语义特征融合模块(semantic‑feature fusion，SFF)，在第二层中采用坐标注意力模块(coordinate attention，CA)，第三层中采用门控注意力机制模块(gated‑attention mechanism，GAM)，第四层中使用利用SENet模块重新校准特征映射，最后输送到语义分割解码器预测图像中各个像素的语义类别，本发明在不同情况下的语义特征融合分别采用了SFF和GAM模块，使分割效果更连续，更细化，同时采用了两种注意力模块CA和SENet，帮助模型精准地定位和识别感兴趣的目标，以少量的参数量和计算量保证高效且精准的图像分割，提高了自动驾驶时的实时性。
-
公开(公告)号：CN116206109A
公开(公告)日：2023-06-02
申请号：CN202310146446.4
申请日：2023-02-21
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于级联网络的肝脏肿瘤分割方法，采取肝脏分割网络和肝肿瘤分割网络级联的方式，肝脏分割网络先从CT图像中分割肝脏，提取出肿瘤感兴趣区域，再将肿瘤感兴趣区域作为肝肿瘤分割网络的输入，进一步实现对肝脏肿瘤的精准分割，这解决了因肿瘤在整幅CT图像中占比小而造成的数据不平衡问题。肝脏分割网络和肝肿瘤分割网络均以残差网络作为骨架，残差网络极大提高了可以有效训练的网络的深度，加速训练网络的收敛，减少模型退化，从而有效避免了随着网络层数加深梯度消失的问题，解决了因网络过深而出现的梯度弥散问题。
-
公开(公告)号：CN118804444A
公开(公告)日：2024-10-18
申请号：CN202410767674.8
申请日：2024-06-14
Applicant: 桂林电子科技大学
IPC: H05B47/105 , H05B47/125 , H05B47/19 , H05B47/165 , G08G1/052 , G06N5/048
Abstract: 本发明涉及智能节电技术领域，尤其涉及一种基于云边端协同的智慧路灯节能控制系统，包括云平台管理端、边缘集中控制器、智能路灯控制器和控制算法，在工作时，边缘集中控制器通过检测车辆速度和车辆数目，然后将数据上传至云平台管理端，在进行控制算法处理后，边缘集中控制器将调度方式传输至智能路灯控制器，对路灯进行智能调度；同时将数据信息传输至云平台管理端，然后数据经过深度学习模型进行预测分析，通过实时反馈持续优化，自适应地调整深度学习模型和模糊逻辑规则，以应对环境和交通模式的变动，实现更高效和响应性更强的城市照明管理。
-
公开(公告)号：CN116206109B
公开(公告)日：2023-11-07
申请号：CN202310146446.4
申请日：2023-02-21
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于级联网络的肝脏肿瘤分割方法，采取肝脏分割网络和肝肿瘤分割网络级联的方式，肝脏分割网络先从CT图像中分割肝脏，提取出肿瘤感兴趣区域，再将肿瘤感兴趣区域作为肝肿瘤分割网络的输入，进一步实现对肝脏肿瘤的精准分割，这解决了因肿瘤在整幅CT图像中占比小而造成的数据不平衡问题。肝脏分割网络和肝肿瘤分割网络均以残差网络作为骨架，残差网络极大提高了可以有效训练的网络的深度，加速训练网络的收敛，减少模型退化，从而有效避免了随着网络层数加深梯度消失的问题，解决了因网络过深而出现的梯度弥散问题。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
