-
公开(公告)号：CN119348649A
公开(公告)日：2025-01-24
申请号：CN202411388241.8
申请日：2024-10-08
Applicant: 复旦大学
IPC: B60W60/00 , G06N3/0455 , B60W30/095
Abstract: 本发明公开了一种基于轨迹解耦和Mamba的自动驾驶轨迹预测方法，包括以下步骤：获取高清地图和驾驶场景中的交通参与者，使用预先训练好的编码器对该高清地图和驾驶场景中的交通参与者进行编码，以获取编码后的高清地图和交通参与者组成的场景上下文特征，将获取的场景上下文特征输入预先训练好的查询解耦的解码器，以获取交通参与者中每个关注的交通参与者所对应的多模态未来轨迹。本发明能够解决现有自动驾驶轨迹预测方法轨迹预测不够准确，可能会产生次优结果，从而限制了驾驶过程中轨迹预测的精度和实用性的技术问题，以及该方法缺乏将Mamba和注意力机制各自优势进行结合的有效方案的技术问题。
-
公开(公告)号：CN104412907A
公开(公告)日：2015-03-18
申请号：CN201310413614.8
申请日：2013-09-11
Applicant: 复旦大学附属华山医院
IPC: A01K15/02
CPC classification number: A01K15/027
Abstract: 一种脑血管大鼠平衡能力训练装置，包括外框支架，控制台和多个训练笼，控制台连接在外框支架的外侧，多个训练笼并排安装在外框支架内，多个训练笼包括至少一个普通训练笼和至少一个前后平衡训练笼，各训练笼内分别设有跑步机；在前后平衡训练笼的下方设有前后摆动调节机构。控制台与各跑步机、前后摆动调节机构电信相连。本发明的装置既可进行单一的跑台训练，又可实施感觉-平衡-运动的多功能康复训练模式，满足研究者的实验需求，为脑损伤疾病的神经机制康复研究提供先进的动物实验手段。
-
公开(公告)号：CN116362318A
公开(公告)日：2023-06-30
申请号：CN202310323545.5
申请日：2023-03-30
Applicant: 复旦大学
Abstract: 本发明公开了一种基于自适应深度修正的纯视觉三维目标检测方法，包括：获取图像并将该图像输入训练好的深度预测模型DORN中，以实时生成深度图其中图像的大小为深度图的大小为利用双线性差值方法对深度图进行4倍的下采样处理，以得到下采样后的深度图大小为W×H，其中将下采样后的深度图和图像一起输入预先训练好的三维目标检测模型中，以得到最终的三维目标检测结果。本发明能够解决现有特征视角转换的模型在同一个网络内部同时实现深度预测任务和三位目标检测任务，会加重网络学习的负担，对深度信息学习的不准确，从而影响最终的三维目标检测性能的技术问题。
-
公开(公告)号：CN116229061A
公开(公告)日：2023-06-06
申请号：CN202310022874.6
申请日：2023-01-08
Applicant: 复旦大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/56 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于图像生成的语义分割方法，包括：获取待分割图像，对待分割图像进行归一化处理，并将归一化处理后的待分割图像转换为张量格式的图像，将得到的张量格式的图像输入预先训练好的语义分割模型中，以得到语义分割结果。本发明能够解决现有基于判别式模型的语义分割方法由于知识不足、信息不够丰富，导致该方法无法达到最佳的精度，进而导致准确性和泛化性不佳的技术问题，以及由于该方法必须随着总类别数量的增减来修改像素级分类器的输出通道数，频繁的模型修改会导致时间成本增加的技术问题。
-
公开(公告)号：CN111932559B
公开(公告)日：2022-11-29
申请号：CN202010873685.6
申请日：2020-08-26
Applicant: 上海市公共卫生临床中心 , 复旦大学
Abstract: 本发明提供了基于深度学习的新冠肺炎肺部病灶区域分割系统，其特征在于，包括：数据获取部用于获取CT断层影像；数据预处理部根据HU值对CT断层影像进行预处理，得到待分割肺部影像；图像分割模型部利用预先训练好的图像分割模型直接对待分割肺部影像进行分割得到肺部病灶区域并输出；画面存储部用于存储肺部病灶区域画面；显示部用于显示肺部病灶区域画面以及肺部病灶区域。本系统可以精准地将肺部病灶区域从肺部区域中分割出来，完成COVID‑19感染区域轮廓的快速自动勾画，便于在现场应用中定性评估疾病，节省了大量人力与时间，同时提高了对COVID‑19疑似病患的诊断准确率，降低假阴性概率较高。
-
Patent Agency Ranking
公开(公告)号：CN113139910B
公开(公告)日：2022-10-18
申请号：CN202010066844.1
申请日：2020-01-20
Applicant: 复旦大学
Abstract: 本发明提供一种视频补全方法，其特征在于，通过重建三维场景对存在内容缺失的缺失视频序列进行补全，包括如下步骤：步骤1，通过预设的深度图网络识别缺失视频序列中每帧的深度图；步骤2，通过预设的位姿网络识别缺失视频序列中每相邻两帧之间的相对相机位姿；步骤3，基于深度图以及相对相机位姿并使用截断符号距离函数进行深度图的融合从而构建对应缺失视频序列中的视频背景的三维场景；步骤4，利用相对相机位姿以及相机内参将三维场景投影到缺失视频序列中从而对每帧的缺损区域进行补全得到补全视频序列；步骤5，利用预设的缺失补全网络对补全视频序列进行二次补全从而形成不具有内容缺失的完整视频序列。
-
公开(公告)号：CN113111205B
公开(公告)日：2022-06-14
申请号：CN202110393866.3
申请日：2021-04-13
Applicant: 复旦大学
IPC: G06F16/53 , G06F16/55 , G06F16/583 , G06V10/40 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明提供了一种基于元滤波核的动态图像特征对齐方法及装置，用于对小样本的动态图像进行分类得到预测分类结果，其特征在于，包括如下步骤：搭建特征提取网络，并从支持集样本以及查询集样本中提取到图片特征组；搭建元滤波核生成网络，并输入图片特征组得到元滤波核；基于元滤波核并通过元滤波核生成网络对图片特征组进行自适应对齐得到对齐后查询集特征；搭建图像分类网络，对支持集特征以及对齐后查询集特征进行比较分类得到本地预测类别，并进行全局分类得到全局预测类别；构建损失函数，基于该损失函数以及预测类别训练得到训练好的小样本图像分类模型；将动态图像输入训练好的小样本图像分类模型分类得到预测分类结果。
-
公开(公告)号：CN119348649B
公开(公告)日：2025-04-18
申请号：CN202411388241.8
申请日：2024-10-08
Applicant: 复旦大学
IPC: B60W60/00 , G06N3/0455 , B60W30/095
Abstract: 本发明公开了一种基于轨迹解耦和Mamba的自动驾驶轨迹预测方法，包括以下步骤：获取高清地图和驾驶场景中的交通参与者，使用预先训练好的编码器对该高清地图和驾驶场景中的交通参与者进行编码，以获取编码后的高清地图和交通参与者组成的场景上下文特征，将获取的场景上下文特征输入预先训练好的查询解耦的解码器，以获取交通参与者中每个关注的交通参与者所对应的多模态未来轨迹。本发明能够解决现有自动驾驶轨迹预测方法轨迹预测不够准确，可能会产生次优结果，从而限制了驾驶过程中轨迹预测的精度和实用性的技术问题，以及该方法缺乏将Mamba和注意力机制各自优势进行结合的有效方案的技术问题。
-
公开(公告)号：CN119261926A
公开(公告)日：2025-01-07
申请号：CN202411376003.5
申请日：2024-09-30
Applicant: 复旦大学
IPC: B60W50/00 , G06N3/0455 , G06N3/09 , B60W60/00
Abstract: 本发明公开了一种基于流式Transformer的自动驾驶轨迹预测方法，包括：获取自动驾驶车辆的独立场景数据，并对该独立场景数据进行预处理，以得到预处理后的连续场景数据，将预处理后的连续场景数据输入预先训练好的的流式Transformer轨迹预测模型中，以获取预测的未来轨迹。本发明能够解决现有轨迹预测方法由于只能有效利用局部窗口中的信息，这与实际应用相冲突，因此导致模型与部署存在较大差异的技术问题；以及由于没有构建时序的场景上下文关系，导致模型应对突发情况能力较弱的技术问题；以及由于没有关注时序间轨迹预测的一致性，导致模型的轨迹预测不够准确，且存在突变的技术问题。
-
公开(公告)号：CN116362318B
公开(公告)日：2024-02-06
申请号：CN202310323545.5
申请日：2023-03-30
Applicant: 复旦大学
Abstract: 本发明公开了一种基于自适应深度修正的纯视觉三维目标检测方法，包括：获取图像 并将该图像 输入训练好的深度预测模型DORN中，以实时生成深度图 其中图像 的大小为深度图 的大小为利用双线性差值方法对深度图 进行4倍的下采样处理，以得到下采样后的深度图 大小为W×H，其中 将下采样后的深度图 和图像 一起输入预先训练好的三维目标检测模型中，以得到最终的三维目标检测结果。本发明能够解决现有特征视角转换的模型在同一个网络内部同时实现深度预测任务和三位目标检测任务，会加重网络学习的负担，对深度信息学习的不准确，从而影响最终的三维目标检测性能的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.018 seconds)
