-
公开(公告)号：CN117516530B
公开(公告)日：2024-12-06
申请号：CN202311280776.9
申请日：2023-09-28
Applicant: 中国科学院自动化研究所
IPC: G01C21/20
Abstract: 本发明提供一种机器人目标导航方法及装置，该方法包括：从待导航机器人在当前时刻之前预设时间段内各时刻的视觉观测数据中提取待导航机器人的视觉特征，并确定待导航机器人在预设时间段内各时刻接收的目标类别的语义嵌入信息，预设时间段包括当前时刻；根据当前时刻对应的语义嵌入信息对演员‑评论员算法中演员策略网络训练后的权重进行偏置，得到演员策略网络的最终权重；根据预设时间段内各时刻对应的视觉特征、语义嵌入信息和待导航机器人在预设时间段内除当前时刻以外各时刻的动作，基于最终权重对应的演员策略网络得到待导航机器人在当前时刻的动作。本发明实现提高机器人对未见类别的目标导航准确性。
-
公开(公告)号：CN112183620B
公开(公告)日：2021-04-23
申请号：CN202011032774.4
申请日：2020-09-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于图卷积神经网络的小样本分类模型的发育方法及系统，旨在解决现有模型应用到新任务中性能不佳并且需要大量带标签训练样本的问题。本发明包括：提取一个由无向图构成的知识图谱，获取与任务相关的知识性信息；提取原始模型针对旧任务的训练过程中的经验信息；将知识性信息以及经验性信息相融合，构成新的融合图；通过建立新任务类别和旧任务类别之间的联系并进行模型的训练，得到面向新任务的认知发育后的分类模型。本发明方法在任务的迁移过程中，新任务无需提供大量的带标签样本，就可以实现快速而精准的视觉迁移，极大地提高了模型的利用率，降低了训练模型的成本和时间。
-
公开(公告)号：CN112183620A
公开(公告)日：2021-01-05
申请号：CN202011032774.4
申请日：2020-09-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于图卷积神经网络的小样本分类模型的发育方法及系统，旨在解决现有模型应用到新任务中性能不佳并且需要大量带标签训练样本的问题。本发明包括：提取一个由无向图构成的知识图谱，获取与任务相关的知识性信息；提取原始模型针对旧任务的训练过程中的经验信息；将知识性信息以及经验性信息相融合，构成新的融合图；通过建立新任务类别和旧任务类别之间的联系并进行模型的训练，得到面向新任务的认知发育后的分类模型。本发明方法在任务的迁移过程中，新任务无需提供大量的带标签样本，就可以实现快速而精准的视觉迁移，极大地提高了模型的利用率，降低了训练模型的成本和时间。
-
公开(公告)号：CN117635933A
公开(公告)日：2024-03-01
申请号：CN202311541147.7
申请日：2023-11-17
Applicant: 中国科学院自动化研究所
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明提供一种主动域适应语义分割模型训练方法及装置，该主动域适应语义分割模型训练方法包括：获取源域样本数据和目标域样本数据；根据域鉴别器和高斯密度函数计算目标域样本数据对应的领域分数，并对目标域样本数据的不确定性进行预测；根据领域分数和不确定性预测结果构建获取函数，根据获取函数计算目标域样本数据的目标区域，并对目标区域进行标注，得到新的样本数据；根据源域样本数据和新的样本数据构建监督损失，并根据监督损失对预训练的语义分割模型进行训练，得到目标语义分割模型。本发明所述方法通过引入领域性分数和预测不确定性设计动态平衡策略，提高了语义分割模型在域适应场景下的语义分割性能。
-
公开(公告)号：CN117636086A
公开(公告)日：2024-03-01
申请号：CN202311332829.7
申请日：2023-10-13
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/74 , G06V10/762 , G06V10/98
Abstract: 本发明提供一种无源域适应目标检测方法及装置，包括：基于教师模型从目标域数据集的部分图像中提取的各类目标的第一实例特征，构建所述各类目标的多个特征原型；根据所述各类目标的多个特征原型，对所述教师模型获取的所述目标域数据集中各图像的目标检测结果进行纠正，得到所述各图像的伪标签；将所述目标域数据集的各图像作为样本，将所述各图像的伪标签作为标签对学生模型进行训练，使用训练后的所述学生模型检测待检测图像中的目标；所述教师模型和所述学生模型通过预先使用源域数据集对目标检测模型进行训练得到。本发明使用目标域中各类目标的多特征原型引导生成更加准确的伪标签作为模型训练的监督信息，从而提高目标检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117516530A
公开(公告)日：2024-02-06
申请号：CN202311280776.9
申请日：2023-09-28
Applicant: 中国科学院自动化研究所
IPC: G01C21/20
Abstract: 本发明提供一种机器人目标导航方法及装置，该方法包括：从待导航机器人在当前时刻之前预设时间段内各时刻的视觉观测数据中提取待导航机器人的视觉特征，并确定待导航机器人在预设时间段内各时刻接收的目标类别的语义嵌入信息，预设时间段包括当前时刻；根据当前时刻对应的语义嵌入信息对演员‑评论员算法中演员策略网络训练后的权重进行偏置，得到演员策略网络的最终权重；根据预设时间段内各时刻对应的视觉特征、语义嵌入信息和待导航机器人在预设时间段内除当前时刻以外各时刻的动作，基于最终权重对应的演员策略网络得到待导航机器人在当前时刻的动作。本发明实现提高机器人对未见类别的目标导航准确性。
-
公开(公告)号：CN112819110B
公开(公告)日：2021-06-29
申请号：CN202110420700.6
申请日：2021-04-19
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明属于计算机视觉领域，具体涉及了一种基于权重生成的增量式小样本目标检测方法及系统，旨在解决现有目标检测器缺乏小样本快速学习和增量学习的能力，对标签数据依赖性强，检测器不具备开放性的问题。本发明包括：通过基础类别数据进行检测器监督训练；获取基础类别目标检测器的尺度感知和中心度感知的权重，生成基础类别响应；结合基础类别响应生成新类别权重；结合新类别数据进行基础类别目标检测器的微调训练；通过获得的基础类别和新类别的目标检测器实现增量式小样本目标检测。本发明结合尺度和中心度感知，区域特征更具代表性，目标定位更准确，模型在增量学习中可获得更好的整体性能，检测效率高、准确性和精度高。
-
公开(公告)号：CN112200163B
公开(公告)日：2021-06-25
申请号：CN202011393784.0
申请日：2020-12-03
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种水下底栖生物检测方法及系统，所述方法包括：获取多幅水下底栖生物图像及对应的特征信息；根据各水下底栖生物图像及对应的特征信息，建立底栖生物检测模型，包括：针对每一水下底栖生物图像，提取多维度的特征图；基于特征金字塔网络，将多维度的特征图进行特征融合，得到融合特征图；根据所述融合特征图，生成锚框；通过锚框对融合特征图进行调整，得到调整后的融合特征图；基于各融合特征图及对应的锚框，训练RPN网络，得到训练后的RPN网络；基于RPN网络及各锚框，确定感兴趣区域；根据各感兴趣区域及对应的特征信息，生成底栖生物检测模型；基于底栖生物检测模型进而，可准确确定所述待测底栖生物的待测特征信息，提高检测精度。
-
公开(公告)号：CN117636086B
公开(公告)日：2024-09-24
申请号：CN202311332829.7
申请日：2023-10-13
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/74 , G06V10/762 , G06V10/98
Abstract: 本发明提供一种无源域适应目标检测方法及装置，包括：基于教师模型从目标域数据集的部分图像中提取的各类目标的第一实例特征，构建所述各类目标的多个特征原型；根据所述各类目标的多个特征原型，对所述教师模型获取的所述目标域数据集中各图像的目标检测结果进行纠正，得到所述各图像的伪标签；将所述目标域数据集的各图像作为样本，将所述各图像的伪标签作为标签对学生模型进行训练，使用训练后的所述学生模型检测待检测图像中的目标；所述教师模型和所述学生模型通过预先使用源域数据集对目标检测模型进行训练得到。本发明使用目标域中各类目标的多特征原型引导生成更加准确的伪标签作为模型训练的监督信息，从而提高目标检测的准确性。
-
公开(公告)号：CN110334708A
公开(公告)日：2019-10-15
申请号：CN201910595902.7
申请日：2019-07-03
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉、模式识别与机器学习领域，具体涉及一种跨模态目标检测中的差异自动校准方法、系统、装置，旨在解决彩色-热度图像差异问题导致检测不准确的问题。本系统方法包括获取待检测的彩色-热度多模态图像，构建输入图像集合；获取输入图像集合中各模态图像的特征图，并提取共享候选区域；将各共享候选区域对齐，通过池化得到各共享候选区域的特征表示；基于预设分类器获取共享候选区域的特征表示的类别，通过偏差回归获取共享候选区域的位置；根据共享候选区域的特征表示的类别，采用非极大值抑制，获取概率最大的共享候选区域，并根据位置返回到待检测图像中进行标记。本发明显著提高了行人探测器的鲁棒性和跨模态检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.044 seconds)
