-
公开(公告)号：CN118861650A
公开(公告)日：2024-10-29
申请号：CN202411335928.5
申请日：2024-09-24
Applicant: 之江实验室
IPC: G06F18/213 , G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本说明书公开了一种模型训练以及定位气味源的方法及装置。所述方法包括：获取搜索气味源的载体在第一设定时刻下所处的环境对应的环境数据，将环境数据输入到预设的特征融合模型中，以使特征融合模型输出环境数据对应的环境特征。然后，将环境特征输入到预设的时序网络中，以使时序网络基于在第一设定时刻之前的各设定时刻下的环境特征输出环境特征在第一设定时刻下的环境状态信息。进一步地，将环境状态信息输入到训练好的预测模型中，以使预测模型根据环境状态信息，预测环境状态信息在第二设定时刻下的气味分布地图，并根据气味分布地图，确定气味源的目标位置。
-
公开(公告)号：CN118673959B
公开(公告)日：2024-10-22
申请号：CN202411153835.0
申请日：2024-08-21
Applicant: 之江实验室
IPC: G06N3/04 , G06N3/086 , G06V10/764 , G06V10/82
Abstract: 在本说明书提供一种混合精度量化方法、装置、介质及设备，通过确定深度神经网络模型中的各层的量化位宽，对深度神经网络模型进行量化，确定候选量化模型，并将样本分别输入深度神经网络模型以及候选量化模型，确定候选量化模型的量化误差、加速比以及压缩效果，进而确定候选量化模型的适应度，最后，根据预设的进化算法以及候选量化模型的适应度，确定深度神经网络模型的目标量化模型，使得混合精度量化方法能够根据少量无标签样本确定深度神经网络模型的目标量化模型，提高了混合精度量化方法的泛用性。
-
公开(公告)号：CN118225987A
公开(公告)日：2024-06-21
申请号：CN202410656853.4
申请日：2024-05-24
Applicant: 之江实验室
Abstract: 本说明书公开了一种有害气体检测方法、装置、存储介质及电子设备，终端设备在采集无人设备所在目标空间的有害气体浓度后，即可确定出有害气体是否泄漏，响应于有害气体泄漏，确定出若干个采集点并采集若干个采集点处的有害气体浓度信息，进而确定出有害气体对应的泄漏源在目标空间中的空间位置，作为预测泄漏源位置，进而根据预测泄漏源位置执行任务。通过无人设备实时检测有害气体是否泄漏，并且在检测到有害气体泄漏后，可对泄漏源位置进行预测，而后根据确定出的预测泄漏源位置执行任务，通过减少了对有害气体泄漏的响应时间以及有害气体泄漏源检测时间，提高了有害气体检测任务的执行效率。
-
公开(公告)号：CN118097359A
公开(公告)日：2024-05-28
申请号：CN202410493628.3
申请日：2024-04-23
Applicant: 之江实验室
Abstract: 本说明书提供的一种模型训练方法、装置、存储介质以及电子设备，获取目标区域的全色图像、多光谱图像以及标准融合图像，将全色图像以及多光谱图像输入到目标模型中，以提取出全色图像的频域特征以及多光谱图像的频域特征，并将全色图像的频域特征以及多光谱图像的频域特征进行特征融合，以确定出第一特征图像，以及，对全色图像以及多光谱图像进行图像融合，以根据融合后的图像中包含的各像素点的像素信息，确定出自适应权重，并根据自适应权重对融合后的图像进行处理，以得到第二特征图像，将第一特征图像与第二特征图像进行叠加，以确定输出的预测融合图像，以最小化预测融合图像与标准融合图像之间的偏差为优化目标，对目标模型进行训练。
-
公开(公告)号：CN117456323A
公开(公告)日：2024-01-26
申请号：CN202311350663.1
申请日：2023-10-17
Applicant: 之江实验室
Abstract: 本说明书公开了一种图像融合的方法、装置、存储介质及电子设备，包括：将第一图像和低分辨率多光谱图像分别输入预先训练的图像融合模型的特征提取子网，确定全色特征和光谱特征。将全色特征的频域特征以及光谱特征的频域特征输入图像融合模型的特征融合子网，确定第一融合特征。根据第一融合特征，确定第一融合图像。根据全色图像以及第二图像，通过特征提取子网，确定第一特征以及第二特征。根据第一特征的频域特征以及第二特征的频域特征输入特征融合子网，确定第二融合特征。根据第二融合特征，确定目标融合图像。以融合频域特征为主，融合空域特征为辅进行图像融合，提高目标融合图像准确性。
-
Patent Agency Ranking
公开(公告)号：CN118840641A
公开(公告)日：2024-10-25
申请号：CN202411327542.X
申请日：2024-09-23
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/26 , G06V10/143 , G06V10/46 , G06T7/194 , G06V10/82 , G06N3/0464
Abstract: 在本说明书提供的一种多波段图像融合方法、装置、存储介质及设备中，获取红外图像与可见光图像，确定初始融合图像，并基于该初始融合图像的温度分布信息，分割得到前景子图和背景子图，再将前景子图的频域特征输入到训练完成的前景生成器得到前景频域特征，将背景子图的频域特征输入到训练完成的背景生成器得到背景频域特征，根据前景频域特征以及背景频域特征确定的融合特征，得到目标融合图像。通过前景生成器以及背景生成器，得到拟合了红外图像中前景信息的前景频域特征和拟合了可见光图像中背景信息的背景频域特征，再根据前景频域特征和背景频域特征确定的融合特征，可得到前景突出以及背景信息丰富的目标融合图像，融合效果好。
-
公开(公告)号：CN118673959A
公开(公告)日：2024-09-20
申请号：CN202411153835.0
申请日：2024-08-21
Applicant: 之江实验室
IPC: G06N3/04 , G06N3/086 , G06V10/764 , G06V10/82
Abstract: 在本说明书提供一种混合精度量化方法、装置、介质及设备，通过确定深度神经网络模型中的各层的量化位宽，对深度神经网络模型进行量化，确定候选量化模型，并将样本分别输入深度神经网络模型以及候选量化模型，确定候选量化模型的量化误差、加速比以及压缩效果，进而确定候选量化模型的适应度，最后，根据预设的进化算法以及候选量化模型的适应度，确定深度神经网络模型的目标量化模型，使得混合精度量化方法能够根据少量无标签样本确定深度神经网络模型的目标量化模型，提高了混合精度量化方法的泛用性。
-
公开(公告)号：CN118603079A
公开(公告)日：2024-09-06
申请号：CN202411086731.2
申请日：2024-08-08
Applicant: 之江实验室
Abstract: 本说明书公开了一种地磁导航的方法、装置、存储介质及电子设备，包括：在载体移动的过程中，按照预设周期，对载体当前所在位置的地磁数据进行采样。再根据在当前周期内采样到的地磁数据，确定当前周期的地磁熵。根据地磁熵，对当前周期的采样频率进行调整。根据调整后的采样频率，继续按照预设周期，对载体所在位置的地磁数据进行采样，直到周期的数量达到预设阈值时，根据在所有周期内采样到的地磁数据，从预设的地磁基准图中，确定载体的位置。通过用于表征地磁场的地磁强度的变化程度的地磁熵，动态调整采样频率，使得采样到地磁数据可以有效捕捉地磁场的细节特征，从而提升了得到的载体的位置的准确度。
-
公开(公告)号：CN118053153B
公开(公告)日：2024-07-05
申请号：CN202410457520.9
申请日：2024-04-16
Applicant: 之江实验室
Abstract: 本说明书公开了一种点云数据的识别方法、装置、存储介质及电子设备。所述点云数据的识别方法包括：获取无人设备采集的待识别点云数据，将待识别点云数据中包含的每个三维点云点投影到指定二维平面上，根据投影到每个扇形栅格区域中的三维点云点，构建待识别点云数据对应的特征矩阵，作为目标特征矩阵，从而可以根据目标特征矩阵和历史点云数据对应的历史特征矩阵之间的相似度，确定待识别点云数据对应的地点是否为历史访问地点的识别结果，以提升点云数据的识别效率。
-
公开(公告)号：CN118015316A
公开(公告)日：2024-05-10
申请号：CN202410410287.9
申请日：2024-04-07
Applicant: 之江实验室
IPC: G06V10/75 , G06V10/774 , G06V10/82 , G06V20/17
Abstract: 本说明书公开了一种图像匹配模型训练的方法、装置、存储介质、设备，获取由第一基准图像和第一待匹配图像组成的第一样本组，将第一样本组输入预先训练的教师模型，确定第一基准图像与第一待匹配图像的匹配度，作为伪标注，将第一样本组输入图像匹配模型，确定第一基准图像与第一待匹配图像的当前匹配度，图像匹配模型的复杂度小于教师模型的复杂度，根据当前匹配度与伪标注的差异，对图像匹配模型进行训练，本方法利用预先训练的复杂度较高、输出结果精准的教师模型，使得复杂度较低、运算速度较快的图像匹配模型可以学习到教师模型的策略，最终训练得到运算速度快、输出结果精准的图像匹配模型，可应对时限短、批量大的图像定位匹配任务。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.025 seconds)
