-
公开(公告)号：CN118334432B
公开(公告)日：2025-04-29
申请号：CN202410489543.8
申请日：2024-04-23
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/20 , G06V10/25 , G06V10/774 , G06N3/0442 , G06V10/28 , G06V20/40 , G06F18/10 , G06F18/24 , G06F18/25 , G06N3/084 , G06V10/80
Abstract: 本发明提供一种基于小样本持续学习模型的轨道交通障碍物识别方法，属于轨道交通技术领域，该方法包括：获取目标图像，对目标图像进行预处理，得到预处理后的目标图像；从预处理后的目标图像中提取轨道限界区域图像；将轨道限界区域图像输入至预先构建的小样本持续学习模型和/或更新后的小样本持续学习模型，得到小样本持续学习模型和/或更新后的小样本持续学习模型输出的轨道限界区域图像对应的障碍物识别结果。本发明提供的基于小样本持续学习模型的轨道交通障碍物识别方法能够有效地识别新型的轨道障碍物，适用于大规模、复杂的应用场景。
-
公开(公告)号：CN118570249B
公开(公告)日：2025-03-21
申请号：CN202410504373.6
申请日：2024-04-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种基于脉冲神经网络的视觉追踪方法、装置及电子设备，属于计算机技术领域。该方法包括：获取相邻两帧RGB图像，生成目标事件图像；将所述目标事件图像和所述相邻两帧RGB图像中的后一帧RGB图像输入至多模态追踪模型进行视觉追踪；所述多模态追踪模型包括融合模块和孪生网络模型，所述融合模块用于对所述目标事件图像和所述后一帧RGB图像进行融合得到多模态图像，所述孪生网络模型用于接收所述多模态图像，输出追踪目标在所述后一帧RGB图像中的定位结果。本发明提供的基于脉冲神经网络的视觉追踪方法，可以提高视觉追踪能力。
-
公开(公告)号：CN118485124B
公开(公告)日：2025-02-11
申请号：CN202410507986.5
申请日：2024-04-25
Applicant: 中国科学院自动化研究所
IPC: G06N3/082 , G06N3/0464 , G06N3/048 , G06N3/049
Abstract: 本发明提供一种基于脉冲神经网络的模型优化方法、装置及电子设备，属于计算机技术领域。该方法包括：对人工神经网络模型中的至少部分网络层进行修改，得到修改后的人工神经网络模型；将修改后的人工神经网络模型的激活函数替换为目标神经元模型，生成初始脉冲神经网络模型，目标神经元模型用于在每个时间步长内完成目标神经元模型的膜电势的累积和释放；对目标神经元模型的初始膜电势和初始阈值电压进行联合调优，使调优后的初始脉冲神经网络模型达到最优精度，得到目标脉冲神经网络模型，目标脉冲神经网络模型用于部署于无人移动平台。本发明提供的基于脉冲神经网络的模型优化方法，可以对人工神经网络模型完成低延迟和低精度损失的转换。
-
公开(公告)号：CN118334432A
公开(公告)日：2024-07-12
申请号：CN202410489543.8
申请日：2024-04-23
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/20 , G06V10/25 , G06V10/774 , G06N3/0442 , G06V10/28 , G06V20/40 , G06F18/10 , G06F18/24 , G06F18/25 , G06N3/084 , G06V10/80
Abstract: 本发明提供一种基于小样本持续学习模型的轨道交通障碍物识别方法，属于轨道交通技术领域，该方法包括：获取目标图像，对目标图像进行预处理，得到预处理后的目标图像；从预处理后的目标图像中提取轨道限界区域图像；将轨道限界区域图像输入至预先构建的小样本持续学习模型和/或更新后的小样本持续学习模型，得到小样本持续学习模型和/或更新后的小样本持续学习模型输出的轨道限界区域图像对应的障碍物识别结果。本发明提供的基于小样本持续学习模型的轨道交通障碍物识别方法能够有效地识别新型的轨道障碍物，适用于大规模、复杂的应用场景。
-
公开(公告)号：CN119810677A
公开(公告)日：2025-04-11
申请号：CN202510293251.1
申请日：2025-03-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于深度学习实例分割的端到端苗带识别方法及装置，属于计算机视觉和人工智能技术领域。所述方法包括基于分割网络将苗带像素与背景分割，以及将不同的苗带在高维空间中分割；将苗带像素与背景分割的分割结果与不同的苗带在高维空间中的分割结果在像素空间中进行特征融合，得到特征融合表示，基于位置编码矩阵对特征融合表示进行处理得到最终特征表示，基于块分类头网络对最终特征表示进行处理，对最终特征表示的每个像素块赋予相应的苗带ID；采用最小二乘法对具有同类别苗带ID的苗带进行处理，通过设定拟合多项式的次数，获得苗带参数。本发明精度高、泛化性强，无须高要求的人工标注数据集即可实现苗带识别。
-
Patent Agency Ranking
公开(公告)号：CN118485124A
公开(公告)日：2024-08-13
申请号：CN202410507986.5
申请日：2024-04-25
Applicant: 中国科学院自动化研究所
IPC: G06N3/082 , G06N3/0464 , G06N3/048 , G06N3/049
Abstract: 本发明提供一种基于脉冲神经网络的模型优化方法、装置及电子设备，属于计算机技术领域。该方法包括：对人工神经网络模型中的至少部分网络层进行修改，得到修改后的人工神经网络模型；将修改后的人工神经网络模型的激活函数替换为目标神经元模型，生成初始脉冲神经网络模型，目标神经元模型用于在每个时间步长内完成目标神经元模型的膜电势的累积和释放；对目标神经元模型的初始膜电势和初始阈值电压进行联合调优，使调优后的初始脉冲神经网络模型达到最优精度，得到目标脉冲神经网络模型，目标脉冲神经网络模型用于部署于无人移动平台。本发明提供的基于脉冲神经网络的模型优化方法，可以对人工神经网络模型完成低延迟和低精度损失的转换。
-
公开(公告)号：CN113837001A
公开(公告)日：2021-12-24
申请号：CN202110948248.0
申请日：2021-08-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供了一种监控场景下的异常闯入物实时检测方法及装置，包括：实时获取监控视频；将所述监控视频输入至预设的异常闯入物检测模型中进行检测，当检测到与所述监控视频对应的监控图像中存在异常闯入物时，得到由所述异常闯入物检测模型输出的含有异常闯入物的监控图像，以及所述异常闯入物的所属类别。本发明能够实时监测监控范围内的环境中是否存在会阻碍正常生产、影响安全及会引起信息泄露的异常闯入物，从而在检测到存在异常闯入物时及时进行语音及视频标注框提醒，以保证监控区域的安全。
-
公开(公告)号：CN119107461B
公开(公告)日：2025-03-21
申请号：CN202411579534.4
申请日：2024-11-07
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种大模型图像分割方法、装置、设备、存储介质及程序产品，属于计算机技术领域。所述方法包括：将预处理后的目标图像输入到图像分割大模型中，得到所述图像分割大模型生成的二值分割图；基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定目标对象在所述二值分割图中的边界点；对各边界点进行排序并依次连接排序后的边界点，得到所述目标对象的掩膜信息。本发明提供的大模型图像分割方法、装置、设备、存储介质及程序产品，可以大幅提高图像分割数据获取的效率和精度，有效节约时间和人力成本。
-
公开(公告)号：CN119323164A
公开(公告)日：2025-01-17
申请号：CN202411849819.5
申请日：2024-12-16
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于离散元柔性杂草模型的除草效果定量分析方法，属于农业机械领域。所述方法包括将除草机构模型导入虚拟土槽，设置运动参数并仿真除草作业过程，所述虚拟土槽包括基于离散元方法建立的柔性杂草模型和土壤模型；对比仿真除草作业效果与实际除草作业效果，若满足第一预设阈值，则进行下一步，反之，重新建立虚拟土槽；构建除草机构作业效果定量分析所需传感器，包括杂草质量传感器和土壤流失传感器；建立除草机构作业效果定量分析模型，所述分析模型基于构建的传感器获得除草刀的受力情况，土壤在除草过程中的运动速度，杂草切除率，和作业动土率。所述方法能够定量分析除草刀的作业性能，促进了除草机械化的发展。
-
公开(公告)号：CN120012575A
公开(公告)日：2025-05-16
申请号：CN202510082216.5
申请日：2025-01-17
Applicant: 中国科学院自动化研究所 , 中车戚墅堰机车车辆工艺研究所股份有限公司
IPC: G06F30/27 , G06F30/17 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/086 , G06F119/04
Abstract: 本公开提供了一种齿轮箱寿命预估方法、装置、电子设备、存储介质和程序产品，该齿轮箱寿命预估方法包括：获取目标齿轮箱的历史运行信号和工况信息；对历史运行信号进行特征提取处理，得到运行特征；使用训练好的预估模型处理运行特征和工况信息，得到预估剩余寿命，其中，预估模型为机器学习模型，预估模型的训练样本包括多个不同工况下的齿轮箱的全寿命周期运行信号。该方法能够准确预估目标齿轮箱的剩余寿命，从而为设备的维护策略优化提供了科学依据，既减少了资源浪费，降低了维护成本，提高了齿轮箱的监测和维护效率，又有助于减少因故障导致的生产停滞、生产事故和经济损失，对于提高机械设备的运行效率、可靠性和安全性具有重要的意义。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.079 seconds)
