-
公开(公告)号：CN115294565A
公开(公告)日：2022-11-04
申请号：CN202210951778.5
申请日：2022-08-09
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06V20/64 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06V20/58 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于关键点的3D目标检测及其参数化半径学习方法及系统，方法具体为：原始对于点云下采样得到关键点，并对原始点云进行体素化处理，后输入3D稀疏卷积网络中，得到体素特征；采用构造点特征提取方法，将体素特征聚合到关键点上，得到关键点特征；通过目标感知特征池化，学习关键点到目标中心的偏移量，在目标感知邻域内进行特征聚合，得到候选点及对应特征；以候选点为中心进行候选框回归，提取特征并对候选框进行二次回归和得分预测，得到3D目标检测结果；将点云特征聚合采样半径作为可学习参数，通过反向传播更新采样半径，得到最优采样半径参数；解决目标中心回归难度高、不准确，以及需要手工调节特征聚合采样半径问题。
-
Patent Agency Ranking
公开(公告)号：CN113095152B
公开(公告)日：2023-08-22
申请号：CN202110290948.5
申请日：2021-03-18
Applicant: 西安交通大学
IPC: G06V20/56 , G06V10/80 , G06V10/762 , G06V10/774 , G06N3/084
Abstract: 本发明公开一种基于回归的车道线检测方法及系统，方法具体为：将待检测图像输入至训练好的车道线关键点回归网络模型中，得到一系列的车道线关键点及其类别置信度，并根据所述类别置信度对所述车道线关键点进行筛选，保留置信度大于预设值的车道线关键点作为聚类和拟合时使用的车道线关键点；通过透视变换函数将待检测图像的点变换到鸟瞰图图像下进行DBSCAN聚类，将预测的整张图像内的车道关键点分为不同的车道线上的特征点；根据车道线在实际场景中的形状和所述特征点，采用二次反比例曲线拟合得到车道线检测结果；无需对图像进行复杂的预处理，无需对图像中的每一个像素点进行类别分割，可以识别任意多条车道线，且对多种天气环境下的场景下的检测都具有良好的适应性。
-
公开(公告)号：CN116343194A
公开(公告)日：2023-06-27
申请号：CN202310352859.8
申请日：2023-04-04
Applicant: 西安交通大学
IPC: G06V20/64 , G06V10/44 , G06V10/80 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于垂直表征的双流3D目标检测学习方法及系统，方法为：对原始点云分别进行3D体素化和2D体素化处理后输入到稀疏卷积网络中，得到3D体素特征和2D体素特征；采用稀疏池化和扩张方法建立3D体素‑2D体素间双向关系；分别以3D体素特征和2D体素特征作为输入，使用密集融合模块进行不同层次的特征融合，得到基于元素的聚合特征；使用基于中心点回归的检测器并使用IoU进行得分修正，得到目标检测结果；稀疏融合操作放大3D体素在垂直方向的感受野，丰富2D体素内的细粒度语义信息，减少稀疏卷积期间的损失，提升目标检测问题中细小目标的准确度，采用稠密特征融合方法，将学习到的不同尺寸的3D体素和2D体素特征进行融合，进一步提高检测性能。
-
公开(公告)号：CN113284163A
公开(公告)日：2021-08-20
申请号：CN202110516998.0
申请日：2021-05-12
Applicant: 西安交通大学
Abstract: 本发明公开一种基于车载激光雷达点云的三维目标自适应检测方法及系统，将激光雷达点云栅格化后提取不同尺度的三维特征图和鸟瞰视角下的二维特征图；对激光雷达点云进行最远点采样得到稀疏采样点，分别将原始点云特征、不同尺度的三维特征图、鸟瞰视角下的二维特征图整合至稀疏采样点，丰富采样点特征表达；以采样点特征为输入，通过偏移预测和目标自适应的邻域划分方法生成与目标更加匹配的候选参考点及其对应特征；通过采样点特征和候选参考点特征分别得到目标候选框的分类和回归预测结果；最后进行目标候选框参数精细化；本发明能够在检测精度上超越所有现有基于稀疏候选框的方法和大多数基于稠密候选框的方法。
-
公开(公告)号：CN113284163B
公开(公告)日：2023-04-07
申请号：CN202110516998.0
申请日：2021-05-12
Applicant: 西安交通大学
IPC: G06T7/194 , G06V10/44 , G06V10/82 , G06V10/25 , G06V10/764 , G06N3/0464 , G06N3/08 , G01S17/931 , G01S17/66
Abstract: 本发明公开一种基于车载激光雷达点云的三维目标自适应检测方法及系统，将激光雷达点云栅格化后提取不同尺度的三维特征图和鸟瞰视角下的二维特征图；对激光雷达点云进行最远点采样得到稀疏采样点，分别将原始点云特征、不同尺度的三维特征图、鸟瞰视角下的二维特征图整合至稀疏采样点，丰富采样点特征表达；以采样点特征为输入，通过偏移预测和目标自适应的邻域划分方法生成与目标更加匹配的候选参考点及其对应特征；通过采样点特征和候选参考点特征分别得到目标候选框的分类和回归预测结果；最后进行目标候选框参数精细化；本发明能够在检测精度上超越所有现有基于稀疏候选框的方法和大多数基于稠密候选框的方法。
-
公开(公告)号：CN113095152A
公开(公告)日：2021-07-09
申请号：CN202110290948.5
申请日：2021-03-18
Applicant: 西安交通大学
Abstract: 本发明公开一种基于回归的车道线检测方法及系统，方法具体为：将待检测图像输入至训练好的车道线关键点回归网络模型中，得到一系列的车道线关键点及其类别置信度，并根据所述类别置信度对所述车道线关键点进行筛选，保留置信度大于预设值的车道线关键点作为聚类和拟合时使用的车道线关键点；通过透视变换函数将待检测图像的点变换到鸟瞰图图像下进行DBSCAN聚类，将预测的整张图像内的车道关键点分为不同的车道线上的特征点；根据车道线在实际场景中的形状和所述特征点，采用二次反比例曲线拟合得到车道线检测结果；无需对图像进行复杂的预处理，无需对图像中的每一个像素点进行类别分割，可以识别任意多条车道线，且对多种天气环境下的场景下的检测都具有良好的适应性。
-
-
-
-
-
Search Results
6
records
(took 0.052 seconds)
