-
公开(公告)号：CN113240717A
公开(公告)日：2021-08-10
申请号：CN202110609753.2
申请日：2021-06-01
Applicant: 之江实验室
Abstract: 本发明公开了一种基于三维目标跟踪的误差建模位置修正方法，基于三维跟踪的结果，根据特定算法特定物体的误差分布曲线，对三维目标跟踪的误差分布进行建模，进而修正三维跟踪的位置信息，得到三维物体在空间中更准确的位置信息。本发明的实现方法便捷、高效、计算简单，使三维位置信息的精度得到可靠的保证。
-
公开(公告)号：CN112297014B
公开(公告)日：2021-04-27
申请号：CN202011633386.1
申请日：2020-12-31
Applicant: 之江实验室
IPC: B25J9/16
Abstract: 本发明提供了面向机器人的云边端架构下的深度学习模型分割方法，属于深度学习以及分布式计算领域。该方法首先将深度学习模型建模为一个有向无环图，有向无环图的节点代表深度学习模型层，节点之间的边代表深度学习模型层间的数据传输。其次，根据模型层分别在云边端上的处理时间为节点赋值，根据模型层间数据分别在云边、边端、云端之间的传输时间为节点之间的边赋值。进而，采用一个有向无环图最长距离算法对图中的节点进行分层，并逐层处理节点。对于一层中的每个节点，根据节点的输入边权重和节点权重，采用启发式策略，进行动态分割，并将分割后的深度学习模型分配给云边端计算设备，从而实现无精度损失的云边端分布式协同推理。
-
公开(公告)号：CN112257684B
公开(公告)日：2021-04-16
申请号：CN202011417661.6
申请日：2020-12-07
Applicant: 之江实验室
Abstract: 本发明公开了一种基于实时视频流的跨摄像头全局行人跟踪方法。该方法主要包括以下五个步骤：多摄像头监控系统的建立，单摄像头下行人特征提取与跟踪，摄像头间行人特征信息传递，跨摄像头行人特征对比匹配以及跨摄像头行人持续稳定跟踪。本发明的方法可以实现室内场景下较密集人流的行人全局实时跟踪，对于行人轨迹监控及机器视觉有着较大的现实意义。
-
公开(公告)号：CN112394701A
公开(公告)日：2021-02-23
申请号：CN202011434077.1
申请日：2020-12-10
Applicant: 之江实验室
IPC: G05B19/418
Abstract: 本发明公开了一种基于云边端混合计算环境的多机器人云控系统，所述多机器人云控系统包括执行模块、通信模块、知识库模块、智能算法模块和总控模块，所述执行模块包括机器人和传感设备，负责感知数据的采集与加工，以及控制指令的执行；所述通信模块负责在云边端环境中转发和处理实时、动态数据；所述场景通用知识库模块用于存储场景中所涉及的通用知识，并提供统一的调用接口；所述智能算法模块负责提供场景中所需的智能感知及自主决策算法；所述总控模块负责编排和调度场景中的机器人协同完成指定任务。本发明的系统实现了一种稳定、高效、容错性高的多机器人云控系统。
-
公开(公告)号：CN112363844A
公开(公告)日：2021-02-12
申请号：CN202110037236.2
申请日：2021-01-12
Applicant: 之江实验室
Abstract: 本发明公开了一种面向图像处理的卷积神经网络垂直分割方法，属于深度学习以及分布式计算领域。该方法首先将连续卷积层最后一层的输入特征图分割为连续的子特征图，再根据子特征图，并依据卷积计算操作，反向逐层计算上一层对应的子特征图，直至第一层，参考第一层的子特征图，对第一层的输入特征图进行分割，将第一层分割后的子特征图分配给多个计算节点。最后，依据单链路连续卷积层的参数和超参数，实施无精度损失的分布式协同推理，并在所有推理结果生成后进行推理结果的汇总，生成最终的输出特征图。相比于过往方法，本发明的方法具有大幅度降低卷积神经网络推理时延并且没有精度损失的特点。
-
Patent Agency Ranking
公开(公告)号：CN112297014A
公开(公告)日：2021-02-02
申请号：CN202011633386.1
申请日：2020-12-31
Applicant: 之江实验室
IPC: B25J9/16
Abstract: 本发明提供了面向机器人的云边端架构下的深度学习模型分割方法，属于深度学习以及分布式计算领域。该方法首先将深度学习模型建模为一个有向无环图，有向无环图的节点代表深度学习模型层，节点之间的边代表深度学习模型层间的数据传输。其次，根据模型层分别在云边端上的处理时间为节点赋值，根据模型层间数据分别在云边、边端、云端之间的传输时间为节点之间的边赋值。进而，采用一个有向无环图最长距离算法对图中的节点进行分层，并逐层处理节点。对于一层中的每个节点，根据节点的输入边权重和节点权重，采用启发式策略，进行动态分割，并将分割后的深度学习模型分配给云边端计算设备，从而实现无精度损失的云边端分布式协同推理。
-
公开(公告)号：CN113487715B
公开(公告)日：2024-09-20
申请号：CN202110703465.3
申请日：2021-06-24
Applicant: 之江实验室
Abstract: 本发明公开了一种基于生成对抗网络的数据增强方法。通过生成对抗网络的特征提取，将车辆图像的深层特征渲染到一个既定的三维立体结构上，完成一幅二维图像到三维立体结构的重构，再进行三维单眼投影，获得其在所需视角的二维图像，完成车辆不同视角图像的生成。本发明在前沿作者的noise‑to‑image的基础上进行了修正尝试，使其完成了从noise‑to‑image到image‑to‑image的转换，在此之后，可以做到定向修改一种特定属性(车辆视角等)，生成新视角的图像。
-
公开(公告)号：CN113723233B
公开(公告)日：2024-03-26
申请号：CN202110942289.9
申请日：2021-08-17
Applicant: 之江实验室
Abstract: 本发明公开了一种基于分层时序多示例学习的学生学习参与度评估方法，该方法根据示例之间的时间相关性，建立分层时序多示例学习模型，该模型由视频帧‑视频片段的底层模块以及视频片段‑视频的顶层模块构成。该方法使用从视频中提取的头部姿态、面部表情以及身体姿态三类特征以及视频级的学习参与度标签训练评估模型，该模型不仅能够得到视频级的学习参与度，而且能够得到所有视频片段的学习参与度。本发明的实现方法便捷、高效、计算简单，使学习参与度评估精度得到可靠的保证。
-
公开(公告)号：CN115880685B
公开(公告)日：2024-02-13
申请号：CN202211577601.X
申请日：2022-12-09
Applicant: 之江实验室
IPC: G06V20/64 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 一种基于votenet模型的三维目标检测方法，包括：构建votenet模型；针对感兴趣目标构建用于训练votenet模型的点云数据集；构建用于训练votenet模型的基于双层嵌套三维矩形框空间划分的种子点位移损失函数；基于votenet模型原方法构建用于训练votenet模型的其他损失函数，包括前景背景分类损失函数、中心偏移量损失函数、尺寸偏移量损失函数以及朝向角偏移量损失函数；基于构建的点云数据集和损失函数训练votenet模型；使用RGB‑D相机获取待检测场景的点云数据；基于待检测场景的点云数据，经过votenet模型，输出感兴趣目标的三维目标检测结果。本发明可以在不增加模型推理延时的前提下，有效降低三维目标检测结果的虚警率。
-
公开(公告)号：CN112505723B
公开(公告)日：2024-01-23
申请号：CN202110144837.3
申请日：2021-02-03
Applicant: 之江实验室
Abstract: 本发明公开了一种基于导航点选择的三维地图重建方法，属于地图三维重建技术领域。该三维地图重建方法为：使用单线激光雷达对室内环境进行扫描并建立二维栅格地图，在获得的二维栅格地图上选取贴近地图边界的若干导航点，依据这些导航点形成一条路线，驱动机器人沿着该路线边行走边进行三维重建，即能够针对地图边界的物体较多的区域进行扫描，在行走过程中逐渐扩大所建立的二维栅格地图范围，多次循环后能够建立当前室内场景的全部三维地图。本发明的三维地图重建方法具有建图完整、能够较好地重建室内环境边缘区域物体的特点。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.038 seconds)
