-
公开(公告)号：CN119294638A
公开(公告)日：2025-01-10
申请号：CN202411807455.4
申请日：2024-12-10
Applicant: 中国科学院自动化研究所
IPC: G06Q10/047 , G01C21/34 , G06N3/006 , G06N3/045 , G06N3/092 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及人工智能技术领域，提供一种防御型路径规划方法、装置和电子设备，包括：根据给定的路径规划任务确定栅格化地图、起始节点和多个候选目标节点；基于栅格化地图构建并训练基于强化学习的路径规划模型得到训练后的最短路径模型；利用训练后的最短路径模型初始化智能体得到初始化后的智能体；基于获取的观察者预测结果训练初始化后的智能体得到防御型路径规划智能体；基于该智能体进行路径规划得到目标路径。本发明可以得到一种能够自适应学习型观察者的防御型路径规划智能体，智能体在规划路径时不仅考虑最短路径，还考虑路径的防御性，以规避外部观察者的预测。该发明方法能够扩展应用到其他涉及隐私保护和对抗策略的规划任务中。
-
公开(公告)号：CN111985572B
公开(公告)日：2022-03-25
申请号：CN202010877341.2
申请日：2020-08-27
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于深度学习、计算机视觉及细粒度图像分类领域，具体涉及了一种基于特征比较的通道注意力机制的细粒度图像识别方法、系统及装置，旨在解决在细粒度图像标注数据较少的情况下，常规模型的识别正确率较低、细粒度分类模型结构复杂的问题。本发明包括：提取样本的特征图并经过非线性映射和平均池化后得到基本特征向量；计算并更新类别平均特征向量，与样本基本特征向量比较；对比较结果进行编码；根据样本基本特征向量学习特征通道的基础注意力权重；融合编码结果和基础注意力权重并进行映射，得到最终注意力权重引导模型训练；将训练后的模型应用到细粒度图像识别中。本发明以简单有效的方式提升了常规分类器在细粒度任务中的分类准确性。
-
公开(公告)号：CN108664902B
公开(公告)日：2020-08-25
申请号：CN201810367098.2
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及视频分类领域，提出了一种基于深度学习的端到端的视频拷贝检测方法，旨在解决在视频拷贝检测中，两段视频中存在多处拷贝片段的检测困难，及无法准确定位拷贝视频片段的位置等问题。该方法的具体实施方式包括：对用于进行视频拷贝检测的两段待检测视频进行镜头分割以选取关键帧；利用预先构建的拷贝关系识别模型对所选取出的多个关键帧进行识别，确定各关键帧之间的拷贝关系；根据所得到的各关键帧之间的拷贝关系，构建两段上述待检测视频全部关键帧的贝关系矩阵；将该拷贝关系矩阵作为预先构建的定位识别模型的输入，定位两段所述待检测视中含有拷贝关系的片段。本发明能够快捷、高效地检测出两段视频中存在的多处拷贝关系的视频片段。
-
公开(公告)号：CN108090499B
公开(公告)日：2020-08-11
申请号：CN201711115401.1
申请日：2017-11-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及数据标注领域，具体涉及基于最大信息三元组筛选网络的数据主动标注方法和系统，目的在于缩减人工标注工作量，同时确保标注准确度。本发明根据样本的深度特征选取最具标注价值的未标注样本进行人工标注，并且构建最大信息三元组损失函数；逐步更新数据结构和网络参数，进而更新筛选网络模型。直到，未标注数据与已标注数据的类内最大差异均小于预设的第二阈值且类间最小差异均大于预设的第一阈值时，停止更新筛选网络模型。剩余的数据可利用最后更新的筛选网络模型由计算机完成标注。通过这种方法，在缩减人工标注工作量的同时确保了标注的准确度。
-
公开(公告)号：CN117115366B
公开(公告)日：2024-02-13
申请号：CN202311390432.3
申请日：2023-10-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于三维模型重建领域，具体涉及了一种基于无人系统三维感知的环境模型重建方法、系统及设备，旨在解决现有的模型重建方法容易出现缺乏完整的传感信息的问题。本发明包括：获取待处理三维点云数据；基于待处理三维点云数据进行视觉语义解析获得语义解析结果；基于语义解析结果选出待处理三维点云数据中的设定目标的点云；基于设定目标的点云进行离群点去除，获得关键点云；通过语义监督下的点云填充网络进行稠密化和补全，获得填充点云补全关键点云获得补全三维点云数据；通过场景重建算法构建三维环境模型。本发明通过结合感知区域的目标类别信息为接下来的点云补全提供目标表观和形态的先验知识，最终提高模型重建的精度，减少冗余计算。
-
Patent Agency Ranking
公开(公告)号：CN117115366A
公开(公告)日：2023-11-24
申请号：CN202311390432.3
申请日：2023-10-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于三维模型重建领域，具体涉及了一种基于无人系统三维感知的环境模型重建方法、系统及设备，旨在解决现有的模型重建方法容易出现缺乏完整的传感信息的问题。本发明包括：获取待处理三维点云数据；基于待处理三维点云数据进行视觉语义解析获得语义解析结果；基于语义解析结果选出待处理三维点云数据中的设定目标的点云；基于设定目标的点云进行离群点去除，获得关键点云；通过语义监督下的点云填充网络进行稠密化和补全，获得填充点云补全关键点云获得补全三维点云数据；通过场景重建算法构建三维环境模型。本发明通过结合感知区域的目标类别信息为接下来的点云补全提供目标表观和形态的先验知识，最终提高模型重建的精度，减少冗余计算。
-
公开(公告)号：CN119294638B
公开(公告)日：2025-04-29
申请号：CN202411807455.4
申请日：2024-12-10
Applicant: 中国科学院自动化研究所
IPC: G06Q10/047 , G01C21/34 , G06N3/006 , G06N3/045 , G06N3/092 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及人工智能技术领域，提供一种防御型路径规划方法、装置和电子设备，包括：根据给定的路径规划任务确定栅格化地图、起始节点和多个候选目标节点；基于栅格化地图构建并训练基于强化学习的路径规划模型得到训练后的最短路径模型；利用训练后的最短路径模型初始化智能体得到初始化后的智能体；基于获取的观察者预测结果训练初始化后的智能体得到防御型路径规划智能体；基于该智能体进行路径规划得到目标路径。本发明可以得到一种能够自适应学习型观察者的防御型路径规划智能体，智能体在规划路径时不仅考虑最短路径，还考虑路径的防御性，以规避外部观察者的预测。该发明方法能够扩展应用到其他涉及隐私保护和对抗策略的规划任务中。
-
公开(公告)号：CN108090499A
公开(公告)日：2018-05-29
申请号：CN201711115401.1
申请日：2017-11-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及数据标注领域，具体涉及基于最大信息三元组筛选网络的数据主动标注方法和系统，目的在于缩减人工标注工作量，同时确保标注准确度。本发明根据样本的深度特征选取最具标注价值的未标注样本进行人工标注，并且构建最大信息三元组损失函数；逐步更新数据结构和网络参数，进而更新筛选网络模型。直到，未标注数据与已标注数据的类内最大差异均小于预设的第二阈值且类间最小差异均大于预设的第一阈值时，停止更新筛选网络模型。剩余的数据可利用最后更新的筛选网络模型由计算机完成标注。通过这种方法，在缩减人工标注工作量的同时确保了标注的准确度。
-
公开(公告)号：CN111985572A
公开(公告)日：2020-11-24
申请号：CN202010877341.2
申请日：2020-08-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于深度学习、计算机视觉及细粒度图像分类领域，具体涉及了一种基于特征比较的通道注意力机制的细粒度图像识别方法、系统及装置，旨在解决在细粒度图像标注数据较少的情况下，常规模型的识别正确率较低、细粒度分类模型结构复杂的问题。本发明包括：提取样本的特征图并经过非线性映射和平均池化后得到基本特征向量；计算并更新类别平均特征向量，与样本基本特征向量比较；对比较结果进行编码；根据样本基本特征向量学习特征通道的基础注意力权重；融合编码结果和基础注意力权重并进行映射，得到最终注意力权重引导模型训练；将训练后的模型应用到细粒度图像识别中。本发明以简单有效的方式提升了常规分类器在细粒度任务中的分类准确性。
-
公开(公告)号：CN110222824B
公开(公告)日：2020-11-17
申请号：CN201910484484.4
申请日：2019-06-05
Applicant: 中国科学院自动化研究所
IPC: G06N3/04
Abstract: 本发明属于人工智能领域，具体涉及一种智能算法模型自主生成及进化方法、系统、装置，旨在为了解决高效低功耗智能分析算法模型的便捷生成及进化问题。本发明通过LSTM网络模型和优化评测结果综合得分的方法，逐步生成智能算法模型的子结构信息以构建中间结构信息，每一个子结构信息完成后都会组合成一个当前状态的网络模型，通过对网络模型的训练与评测得到当前动作的评测得分用以指导下一个子结构信息的生成，直到在模型的评测结果达到预设条件得到自主进化的最优的智能算法模型。本发发明方法可以有效、简便的进行高速低功耗的智能算法模型的构建。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.028 seconds)
