-
公开(公告)号：CN117435934B
公开(公告)日：2024-07-19
申请号：CN202311783616.6
申请日：2023-12-22
Applicant: 中国科学院自动化研究所
IPC: G06F18/22 , G06F17/16 , G06F18/10 , G06F18/25 , G06F123/02
Abstract: 本发明涉及一种基于二分图的运动目标轨迹的匹配方法、装置和存储介质，涉及模式识别技术领域。基于二分图的运动目标轨迹的匹配方法包括：获取待匹配的两个轨迹集合，将一个轨迹集合中的多条轨迹分别与另一个轨迹集合中的多条轨迹进行匹配，判断进行匹配的两个轨迹是否满足第一预设条件；对所有满足第一预设条件的轨迹进行相似度计算，并结合所有不满足第一预设条件的轨迹的相似度，得到相似度矩阵；根据相似度矩阵构建二分图，采用匈牙利算法对二分图进行计算，得到二分图匹配结果。根据本发明的匹配方法，能够提高不同轨迹集合中目标关联的运行效率，同时还可以保证后续数据融合的精确度。
-
公开(公告)号：CN117473337B
公开(公告)日：2024-03-22
申请号：CN202311795885.4
申请日：2023-12-25
Applicant: 中国科学院自动化研究所
IPC: G06F18/22 , G06F18/213 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0985
Abstract: 本公开涉及一种轨迹关联方法及装置、设备及存储介质，所述方法包括：获取同一时段内分别在第一模态和第二模态下各运动目标的轨迹数据；将第一模态和第二模态下各运动目标的轨迹数据输入已知的编码器中，输出各运动目标的特征向量；根据各运动目标的特征向量确定各运动目标的描述向量；根据第一模态下各运动目标与第二模态下各运动目标的描述向量，确定第一模态下各运动目标与第二模态下各运动目标的相似度矩阵，以按照相似度矩阵对第一模态与第二模态下的运动目标进行关联，在实现准确的轨迹关联的同时，克服外点的干扰，具有高鲁棒性的优势。
-
公开(公告)号：CN112801206B
公开(公告)日：2022-10-14
申请号：CN202110202841.0
申请日：2021-02-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于深度图嵌入网络与结构自学习的图像关键点匹配方法，旨在解决现有技术未能学习图像目标的结构信息，图像关键点匹配的精度和准确性还远达不到预期的问题。本发明包括：分别对获取的待匹配图像对的关键点进行结构化处理；提取待匹配图像的特征图，并通过双线性插值获取关键点特征矩阵；通过深度图嵌入网络更新关键点特征矩阵及图结构；通过深度图匹配网络计算相似度矩阵，通过Sinkhorn算法得到匹配矩阵并更新关键点特征矩阵；通过匈牙利算法进行迭代设定次数获得的最终匹配矩阵的离散化，获得待匹配图像对的关键点匹配结果。本发明能够更好地学习关键点特征，获得较好的匹配结果。
-
公开(公告)号：CN112183620B
公开(公告)日：2021-04-23
申请号：CN202011032774.4
申请日：2020-09-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于图卷积神经网络的小样本分类模型的发育方法及系统，旨在解决现有模型应用到新任务中性能不佳并且需要大量带标签训练样本的问题。本发明包括：提取一个由无向图构成的知识图谱，获取与任务相关的知识性信息；提取原始模型针对旧任务的训练过程中的经验信息；将知识性信息以及经验性信息相融合，构成新的融合图；通过建立新任务类别和旧任务类别之间的联系并进行模型的训练，得到面向新任务的认知发育后的分类模型。本发明方法在任务的迁移过程中，新任务无需提供大量的带标签样本，就可以实现快速而精准的视觉迁移，极大地提高了模型的利用率，降低了训练模型的成本和时间。
-
公开(公告)号：CN112183620A
公开(公告)日：2021-01-05
申请号：CN202011032774.4
申请日：2020-09-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于图卷积神经网络的小样本分类模型的发育方法及系统，旨在解决现有模型应用到新任务中性能不佳并且需要大量带标签训练样本的问题。本发明包括：提取一个由无向图构成的知识图谱，获取与任务相关的知识性信息；提取原始模型针对旧任务的训练过程中的经验信息；将知识性信息以及经验性信息相融合，构成新的融合图；通过建立新任务类别和旧任务类别之间的联系并进行模型的训练，得到面向新任务的认知发育后的分类模型。本发明方法在任务的迁移过程中，新任务无需提供大量的带标签样本，就可以实现快速而精准的视觉迁移，极大地提高了模型的利用率，降低了训练模型的成本和时间。
-
Patent Agency Ranking
公开(公告)号：CN109176532B
公开(公告)日：2020-09-29
申请号：CN201811333508.8
申请日：2018-11-09
Applicant: 中国科学院自动化研究所
IPC: B25J9/16
Abstract: 本发明属于机器人技术领域，具体涉及一种机械臂路径规划方法、系统及装置，旨在解决从序贯式数据逐步建立序列模型而发生灾难性遗忘的问题。本发明方法包括，从多任务序列R中选取一个未经优化的任务Ri；基于任务Ri的局部策略pi来生成成功抓取的样本轨迹集合Dm；基于Dm拟合线性高斯动力学模型；采用直接优化单一的局部策略的方法优化得到优化后的局部策略p1i；基于p1i生成成功抓取的样本轨迹集合D1m；采用EWC算法，基于D1m优化全局策略πθ；重复上述步骤直至R任务被遍历，输出最后优化的到的全局策略πθ，进行机械臂多任务下的路径规划。通过本发明从序贯式数据逐步建立序列模型而不发生灾难性的遗忘。
-
公开(公告)号：CN107234625B
公开(公告)日：2019-11-26
申请号：CN201710552603.6
申请日：2017-07-07
Applicant: 中国科学院自动化研究所
IPC: B25J13/08
Abstract: 本发明涉及机器人技术领域，具体涉及一种视觉伺服定位和抓取的方法。本发明旨在解决现有技术中机器人对目标物体进行自主定位和抓取时不够精准的问题。为此目的，本发明的视觉伺服定位和抓取的方法包括：采集目标物体的图像；确定目标物体在图像中的位置信息；根据位置信息确定目标物体在环境中的实际位置；根据实际位置，控制机器人的机械手抓取目标物体。通过本发明的技术方案，实现了机器人对目标物体高效精准地自主定位和抓取，同时，本发明的技术方案不需要对机器人的硬件系统进行改进，从而降低了环境对机器人硬件系统的限制。
-
公开(公告)号：CN117893876B
公开(公告)日：2024-11-08
申请号：CN202410027733.8
申请日：2024-01-08
Applicant: 中国科学院自动化研究所
IPC: G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08 , G06N5/022 , G06V10/764
Abstract: 本发明提出了一种基于场景图的零样本训练方法、装置、存储介质和电子设备，涉及计算机视觉领域。零样本训练包括：获取与检测样本相关的第一知识图谱；获取第一知识图谱中与检测样本相关的类别信息和连接信息，构建与检测样本相关的第二知识图谱；根据图卷积神经网络对第二知识图谱的信息进行训练，得到第一训练检测模型；根据第一训练检测模型推理得到分类器；根据类别信息和连接信息构建场景图；根据场景图和分类器对第一训练检测模型进行训练，得到第二训练检测模型。本发明通过构建场景图结构，利用前景之间的交互信息，形成新任务和旧任务之间的关联，从而依托模型和旧任务之间的交互信息，实现对新任务的辨识。
-
公开(公告)号：CN117710694A
公开(公告)日：2024-03-15
申请号：CN202410052542.7
申请日：2024-01-12
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种多模特征信息的获取方法及系统、电子设备及存储介质。多模特征信息的获取方法为通过卷积神经网络和激活函数对至少两个第一模态特征信息进行全局校准，得到至少两个第二模态特征信息，至少两个第一模态特征信息为通过多层感知机对至少两个第三模态特征信息进行自校准得到，至少两个第三模态特征信息对应至少两个模态图像；通过注意力机制对至少两个第一模态特征信息进行局部校准，得到至少两个第四模态特征信息；对至少两个第二模态特征信息、至少两个第三模态特征信息以及至少两个第四模态特征信息进行处理得到至少两个第五模态特征信息；对至少两个第五模态特征信息的位置特征信息和纹理特征信息进行融合得到多模特征信息。
-
公开(公告)号：CN114413910B
公开(公告)日：2022-07-12
申请号：CN202210328453.1
申请日：2022-03-31
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种视觉目标导航方法及装置，所述方法包括：基于目标图像，获取目标层级关系特征表示和第一视觉特征表示；并根据目标类别信息，获取类别编码；根据所述目标层级关系特征表示、所述第一视觉特征表示和所述类别编码，获取预测导航动作。本发明通过编码目标类别，赋予机器人在视觉目标导航中的推理能力，一定程度上弥补了全局信息的缺失；通过“目标‑区域”层级关系使得机器人的推理更为高效，在提高导航成功率的同时大幅减少导航步数和时间，在缺乏全局信息输入的条件下，机器人可以快速且精准的完成导航任务。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.04 seconds)
