-
公开(公告)号：CN118070099A
公开(公告)日：2024-05-24
申请号：CN202410221490.1
申请日：2024-02-28
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/23 , G06F18/214 , G06N3/09 , G06N3/0455
Abstract: 本发明公开了一种针对已分选雷达脉冲序列的零样本增量识别方法，包括以下步骤：S1、获取已分选的雷达脉冲描述字序列并进行数据预处理，得到预处理后的已知类雷达脉冲描述字序列与未知类雷达脉冲描述字序列；S2、将步骤S1中已知类雷达脉冲描述字序列输入增量式识别网络中进行监督训练，得到训练好的增量式识别网络；S3、将待识别的已分选雷达脉冲描述字序列输入步骤S2中训练好的增量式识别网络进行增量式识别，得到带标签的已知类信号数据与未知类信号数据；S4、将步骤S3中带标签的已知类信号数据与未知类信号数据输入零样本增量式识别网络中进行训练，得到所有未知类信号数据的增量识别结果；该方法对未知类信号数据以零样本的方式进行拒识聚类，不仅可以进行增量式学习，而且具有良好的精度；同时在增量过程中能够对已知类信号数据进行高精度识别。
-
Patent Agency Ranking
公开(公告)号：CN114241226A
公开(公告)日：2022-03-25
申请号：CN202111486128.X
申请日：2021-12-07
Applicant: 电子科技大学
IPC: G06V10/762 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于混合模型多邻域特征的三维点云语义分割方法，解决了基于传统或深度学习的单一模型在三维点云语义分割方法中鲁棒性较差的问题，充分实现了聚类算法对点云数据的邻域点间关系的发掘，构建了有效处理点云数据的深度学习网络来提取丰富的点数据特征，最终准确且鲁棒地实现三维点云的语义分割。
-
公开(公告)号：CN113989318B
公开(公告)日：2023-04-07
申请号：CN202111221271.6
申请日：2021-10-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的单目视觉里程计位姿优化与误差修正方法，其包括获取图像数据，并计算对应的光流图像序列；采用固定步长滑动窗口对光流图片序列进行分割，得到若干分割后的输入序列数据，并利用编码器获得各输入序列数据的高维度运动特征；将高维度运动特征输入人工神经网络；利用位姿变换相似性计算模块对运动的时序关系和运动的局部上下文信息进行运动相似性建模，并利用注意力机制指导优化位姿特征，得到经过运动相似性提纯的运动特征；将运动相似性提纯后的运动特征输入位姿修正预测网络，实现位姿优化和误差修正。本发明充分挖掘和建模了图像运动数据中的时序关系和连续运动的相似性，提高了鲁棒性。
-
公开(公告)号：CN113989318A
公开(公告)日：2022-01-28
申请号：CN202111221271.6
申请日：2021-10-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的单目视觉里程计位姿优化与误差修正方法，其包括获取图像数据，并计算对应的光流图像序列；采用固定步长滑动窗口对光流图片序列进行分割，得到若干分割后的输入序列数据，并利用编码器获得各输入序列数据的高维度运动特征；将高维度运动特征输入人工神经网络；利用位姿变换相似性计算模块对运动的时序关系和运动的局部上下文信息进行运动相似性建模，并利用注意力机制指导优化位姿特征，得到经过运动相似性提纯的运动特征；将运动相似性提纯后的运动特征输入位姿修正预测网络，实现位姿优化和误差修正。本发明充分挖掘和建模了图像运动数据中的时序关系和连续运动的相似性，提高了鲁棒性。
-
公开(公告)号：CN118691670A
公开(公告)日：2024-09-24
申请号：CN202410379069.3
申请日：2024-03-29
Applicant: 电子科技大学
IPC: G06T7/73 , G06V10/82 , G06N3/0442 , G06N3/088
Abstract: 本发明公开了一种基于序列学习的无监督单目视觉里程计位姿估计方法，属于位姿估计领域，该方法包括获取单目图像序列数据，并获取单目图像序列数据的逐像素点深度图像序列；根据单目图像序列数据，采用固定步长滑动窗口进行分割，将每相邻两帧图像对拼接，得到若干图像对序列数据；根据各图像对序列数据，利用可变步长卷积长短时记忆网络，获取图像对间多次位姿变换累加后的相对相机位姿；根据单目图像序列数据的逐像素点深度图像序列、单目图像序列数据和图像对间多次位姿变换累加后的相对相机位姿，基于用于位姿估计的自监督学习框架，得到位姿估计结果。本发明解决了现有无监督单目视觉里程计技术位姿估计准确度和鲁棒性较差的问题。
-
公开(公告)号：CN118397085A
公开(公告)日：2024-07-26
申请号：CN202410379068.9
申请日：2024-03-29
Applicant: 电子科技大学
IPC: G06T7/73 , G06V10/82 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于图优化几何一致性约束的视觉里程计位姿优化方法，属于视觉里程计位姿优化领域，该方法包括根据图像数据，利用编码器和级联空洞卷积融合模块，得到相邻图像帧对运动特征图和间隔图像帧对运动特征图；根据相邻图像帧对运动特征图和间隔图像帧对运动特征图，利用卷积神经网络、卷积长短时记忆网络和图注意力神经网络分别进行特征提取及优化，得到优化后的相邻图像帧对位姿特征和间隔图像帧对位姿特征；根据优化后的相邻图像帧对位姿特征和间隔图像帧对位姿特征，利用位姿回归网络，分别得到相邻图像帧对位姿预测结果和间隔图像帧对位姿预测结果。本发明解决了现有技术位姿优化与误差修正准确度和鲁棒性较差的问题。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
