一种面向复杂桌面场景的未知物体实例分割方法

    公开(公告)号:CN116883665A

    公开(公告)日:2023-10-13

    申请号:CN202310897901.4

    申请日:2023-07-21

    Applicant: 东北大学

    Abstract: 本发明提供一种面向复杂桌面场景的未知物体实例分割方法,涉及实例分割技术领域,针对桌面场景中存在的物体形状尺度变化、物体间相互遮挡、未知目标物体等情况,首先提出了一种深度度量学习网络,它包含多级特征融合和多尺度特征预测。然后提出了一个特征融合模块来有效地融合互补的颜色和深度信息。注意力机制和跳跃连接可以提高融合后特征图的表征能力。通过在特征提取的不同分辨率阶段部署特征融合模块,提高神经网络对物体尺寸变化的鲁棒性。最后,本发明设计了一个包含多尺度度量学习机制的损失函数,该函数考虑了不同特征层级的特征嵌入距离,在多个尺度上计算类内和类间距离,提高了网络对度量距离的学习能力。

    基于时间粒度提升的动态目标不确定运动轨迹预测方法

    公开(公告)号:CN111667099B

    公开(公告)日:2023-10-10

    申请号:CN202010421011.2

    申请日:2020-05-18

    Applicant: 东北大学

    Abstract: 本发明属于目标检测与机器人操作领域,公开了基于时间粒度提升的动态目标不确定运动轨迹预测方法,包括如下步骤:利用机器人视觉处理模块采集原始运动轨迹数据通过标准化,作为训练集;通过粒度分割实现轨迹数据的粒度化;通过时间粒度提升策略,选择合适的基预测器权重系数并完成训练,构建高精度协同预测模型;通过滚动迭代和基预测器集成获得多步高精度预测值。本方法通过粒度化提取轨迹的有效特征,在保持训练时间基本不变的情况下,大幅度提高了动态目标不确定运动轨迹的预测精度和准确率,还增强了算法对噪声信息的抗干扰能力,对于后续机器人实施自主动态操作具有重要意义。

Patent Agency Ranking