-
公开(公告)号：CN116758126A
公开(公告)日：2023-09-15
申请号：CN202310772722.8
申请日：2023-06-28
Applicant: 南通大学
IPC: G06T7/33 , G06V10/46 , G06F16/901
Abstract: 本发明提供了一种基于相似三角形的误匹配剔除的快速点云配准方法，属于计算机视觉、三维重建技术领域。解决了点云特征误匹配率过高及点云数据中混合变化所导致的误匹配的技术问题。其技术方案为：首先使用SIFT算法对点云进行特征提取，获得局部关键特征点，然后使用改进法向量计算方法结合FPFH算法来处理局部关键特征点，得到更准确的点云特征描述子，接着对两块点云的特征描述子进行匹配从而获得初始匹配对，使用误匹配剔除方法对初始匹配进行过滤获得精确匹配，并计算变换矩阵，最后使用迭代最近点ICP算法进行精配准，使两块点云的配准误差达到最小。本发明的有益效果为：提高配准精度和配准速度。
-
公开(公告)号：CN114926742A
公开(公告)日：2022-08-19
申请号：CN202210690435.8
申请日：2022-06-17
Applicant: 南通大学
Abstract: 本发明公开了一种基于二阶注意力机制的回环检测及优化方法，属于计算机视觉图像技术领域，解决了传统方法忽略图像局部特征之间相关性的问题。其技术方案为：包括以下步骤：步骤1)、构建融合VGG16、二阶注意力机制和NetVLAD的网络模型SOA‑NetVLAD；步骤2)、采用知识蒸馏的方式训练网络模型得到最优参数；步骤3)、提取图像的全局特征；步骤4)、采用局部敏感哈希方法对图像的全局特征降维，并计算图像之间的余弦相似度；步骤5)、采用几何验证方式进行回环验证；步骤6)、采用随机采样一致性算法消除误匹配。本发明的有益效果为：本发明的网络模型中加入了注意力机制，能有效的学习局部特征之间的相关性。
-
公开(公告)号：CN114861761A
公开(公告)日：2022-08-05
申请号：CN202210357834.2
申请日：2022-04-06
Applicant: 南通大学
Abstract: 本发明公开了一种基于孪生网络特征与几何验证的回环检测方法，属于计算机视觉图像技术领域，解决了传统方法在光照和视点变化下准确率较低的技术问题。其技术方案为：包括以下步骤：步骤1、获取输入的RGB‑D图像；步骤2、获取多维特征信息；步骤3、提取图像全局特征；步骤4、计算图像间的相似度得分，根据相似度得分得到回环候图像；步骤5、采用几何一致性检验对两幅图像的描述符进行匹配；步骤6、采用随机采样一致性算法消除误匹配；步骤7、采用时间一致性检验进一步进行误匹配的剔除。本发明的有益效果为：本发明的孪生网络特征具有光照不变性，几何验证又能获得图像间的几何拓扑信息，提高了回环检测的精确率和召回率。
-
公开(公告)号：CN117576385A
公开(公告)日：2024-02-20
申请号：CN202311390017.8
申请日：2023-10-25
Applicant: 南通大学
IPC: G06V10/26 , G06V10/762 , G06V10/82 , G06V10/34
Abstract: 本发明提供了一种基于自适应掩膜膨胀和动态概率的视觉SLAM方法，属于计算机视觉、深度学习技术领域。解决了传统视觉SLAM受动态环境影响大，引入的深度学习模型受训练数据集有限影响，生成动态掩膜残缺和畸形的技术问题。其技术方案为：把整个流程分为两个部分，一是提取完整的动态对象掩膜，二是过滤掉高动态概率的特征点，保留动态概率低的静态特征点。本发明的有益效果为：本发明结合深度学习提供的动态先验信息和K‑means聚类算法，将动态对象完整精确地从静态背景中分割出来，提高整个SLAM算法的精确度，通过提取精确的动态对象掩膜，更准确地过滤动态特征点，从而提高SLAM算法的鲁棒性和精确度。
-
公开(公告)号：CN114242178A
公开(公告)日：2022-03-25
申请号：CN202111269051.0
申请日：2021-10-29
Applicant: 南通大学
Abstract: 本发明公开了基于梯度提升决策树的ERα拮抗剂的生物活性定量预测方法，属于生物制药和机器学习技术领域；解决了梯度提升决策树线性和非线性的多元回归模型不能很好的进行拟合的技术问题；其技术方案为：包括以下步骤：步骤一：对影响ERα拮抗剂的生物活性的变量数据进行预处理；步骤二：变量的筛选；步骤三：独立性检验；步骤四：模型建立。本发明的有益效果是：本发明在数据的采集过程中，先对数据进行预处理，删除全为零的列，降低了不良数据对预测模型的影响，也加快了变量的筛选速度；通过传统方法和机器学习方法筛选出特征变量，再通过特征变量建立ERα拮抗剂的生物活性定量预测模型。
-
Patent Agency Ranking
公开(公告)号：CN114861761B
公开(公告)日：2024-09-20
申请号：CN202210357834.2
申请日：2022-04-06
Applicant: 南通大学
IPC: G06V10/82 , G06N3/0464 , G06N3/045 , G06V10/42 , G06V10/44 , G06V10/74 , G06V10/764
Abstract: 本发明公开了一种基于孪生网络特征与几何验证的回环检测方法，属于计算机视觉图像技术领域，解决了传统方法在光照和视点变化下准确率较低的技术问题。其技术方案为：包括以下步骤：步骤1、获取输入的RGB‑D图像；步骤2、获取多维特征信息；步骤3、提取图像全局特征；步骤4、计算图像间的相似度得分，根据相似度得分得到回环候图像；步骤5、采用几何一致性检验对两幅图像的描述符进行匹配；步骤6、采用随机采样一致性算法消除误匹配；步骤7、采用时间一致性检验进一步进行误匹配的剔除。本发明的有益效果为：本发明的孪生网络特征具有光照不变性，几何验证又能获得图像间的几何拓扑信息，提高了回环检测的精确率和召回率。
-
公开(公告)号：CN114494736B
公开(公告)日：2024-09-20
申请号：CN202210104480.0
申请日：2022-01-28
Applicant: 南通大学
IPC: G06V10/46 , G06V10/25 , G06V10/762 , G06V10/74 , G06V10/82 , G06F40/216 , G06N3/0464
Abstract: 本发明提供了一种基于显著性区域检测的室外地点重识别方法，属于计算机视觉、深度学习技术领域。其技术方案为：包括以下步骤：步骤一、SE‑ResNet特征图的提取；步骤二、显著性区域的检测；步骤三、训练视觉词袋模型；步骤四、图像之间的相似度匹配。本发明的有益效果为：本发明通过深度学习特征构建的视觉词袋模型，把显著性区域的局部特征融合成全局特征，提高匹配的准确度。
-
公开(公告)号：CN118031960A
公开(公告)日：2024-05-14
申请号：CN202410133368.9
申请日：2024-01-31
Applicant: 南通大学
Abstract: 本发明提供了一种基于图像分块自适应gamma校正和改进信赖域的视觉SLAM方法，属于计算机视觉、深度学习，用于自主导航的视觉机器人定位方法技术领域。解决了视觉SLAM系统前端匹配精度因光线变化不稳定以及后端迭代算法计算开销过高的问题。其技术方案为：包含以下步骤：步骤一、图像分块后进行自适应gamma校正；步骤二、对极几何约束；步骤三、改进LM迭代算法。本发明的有益效果为：本发明通过提高视觉SLAM系统中前端图像匹配的精度来提高位姿跟踪计算的精度，同时在后端采取节约运算消耗的改进LM迭代算法，在不损失精度的情况下减少运算开销。
-
公开(公告)号：CN114743101A
公开(公告)日：2022-07-12
申请号：CN202210357394.0
申请日：2022-04-06
Applicant: 南通大学
Abstract: 本发明提供了一种基于图像注意力加权池化的室外地点重识别方法，属于计算机视觉深度学习技术领域。解决了室外场景下地点重识别任务容易受到动态物体干扰的问题。其技术方案为：包括以下步骤：步骤一、从卷积神经网络提取特征图；步骤二、显著性区域的检测；步骤三、生成图像注意力；步骤四、损失函数计算损失。本发明的有益效果为：本发明检测图片最显著的部分同时抑制动态物体的干扰；在室外场景下能提取鲁棒性更强的图像全局特征，减少误匹配。
-
公开(公告)号：CN114926742B
公开(公告)日：2024-09-24
申请号：CN202210690435.8
申请日：2022-06-17
Applicant: 南通大学
IPC: G06V20/10 , G06V10/42 , G06V10/46 , G06V10/74 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/082
Abstract: 本发明公开了一种基于二阶注意力机制的回环检测及优化方法，属于计算机视觉图像技术领域，解决了传统方法忽略图像局部特征之间相关性的问题。其技术方案为：包括以下步骤：步骤1)、构建融合VGG16、二阶注意力机制和NetVLAD的网络模型SOA‑NetVLAD；步骤2)、采用知识蒸馏的方式训练网络模型得到最优参数；步骤3)、提取图像的全局特征；步骤4)、采用局部敏感哈希方法对图像的全局特征降维，并计算图像之间的余弦相似度；步骤5)、采用几何验证方式进行回环验证；步骤6)、采用随机采样一致性算法消除误匹配。本发明的有益效果为：本发明的网络模型中加入了注意力机制，能有效的学习局部特征之间的相关性。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.014 seconds)
