-
公开(公告)号：CN118131210A
公开(公告)日：2024-06-04
申请号：CN202410172949.3
申请日：2024-02-07
Applicant: 复旦大学
Abstract: 本发明公开了一种基于光滑形变的雷达点云增强方法，包括步骤S1：根据标注信息将雷达点云分为实例部分和场景部分；步骤S2：将步骤S1中分离出来的实例送入光滑形变实例增强模块，得到增强后的实例，一个实例可被增强多次；步骤S3：根据标注信息将路面提取出来，然后送入位置先验采样模块得到实例出现在路面上的位置；步骤S4：根据步骤S3得到的位置将步骤S2中增强后的实例粘贴到路面上；步骤S5：将步骤S4中得到的粘贴实例后的场景送入场景增强模块，进行对整个场景全局的增强操作；步骤S6：将步骤S5中得到的最终的增强结果送入语义分割模型进行训练，最终得到性能更加优异、泛化性更好的模型。
-
Patent Agency Ranking
公开(公告)号：CN111275025A
公开(公告)日：2020-06-12
申请号：CN202010207443.3
申请日：2020-03-23
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度学习的车位检测方法，其中方法包括：数据预处理步骤，基于半监督分类的卷积神经网络模型构建步骤，停车位检测优化函数设计步骤，将训练图像输入至分类模型，进行预训练获得优化函数初始参数步骤，将训练图像输入至分类模型，进行训练步骤；本发明能够让自动驾驶汽车系统准确的检测目标车位是否可用，进而精准的在车位上停车，对自动驾驶汽车研究中的停车位检测的子问题进行了有效的解决，本发明设计了一种针对于半监督分类问题中的PU学习的目标优化函数，即使在停车位检测数据集的标记不全面的情况下，也能够正常的分类出图像中的停车位是否可用，可以处理多种情况的车位检测问题。
-
-
公开(公告)号：CN117475146A
公开(公告)日：2024-01-30
申请号：CN202311378288.1
申请日：2023-10-23
Applicant: 复旦大学
IPC: G06V10/26 , G06V10/762 , G06V20/58 , G06V20/56
Abstract: 本发明涉及一种基于子类分布重加权的语义分割方法、装置及介质，其中方法，包括以下步骤：将待分割图像输入分割网络模型，获得用于分类的特征图；根据特征图进行子类聚类；根据子类聚类结果，统计子类在整幅图像中的分布情况；根据子类分布情况计算每个子类的权重；将计算得到的权重作用于所有属于该子类的像素上，计算重加权后的最终损失函数，并根据最终损失函数计算权重梯度，更新分割网络模型。与现有技术相比，本发明具有可以平衡类别不平衡和像素不平衡问题、适用性好等优点。
-
公开(公告)号：CN111444914A
公开(公告)日：2020-07-24
申请号：CN202010208014.8
申请日：2020-03-23
Applicant: 复旦大学
Abstract: 本发明提供了一种基于正样本和无标签样本学习的图像语义分割方法，属于计算机视觉技术领域，其中方法包括：数据准备步骤、数据预处理步骤、深度卷积神经网络构建步骤、基于PU-Learning的损失函数设计步骤、损失函数的优化学习步骤，迭代执行训练步骤直至所述图像语义分割模型的训练结果满足预定收敛条件。本发明采用深度神经网络提取待分割的图像特征，在此基础上，本发明设计了一种基于PU-Learning的交叉熵损失函数，可以在只有部分像素级标注的情况下训练优化语义分割模型，本发明方案既可以端到端的训练优化语义分割模型，同时在一定程度上保留了像素级别的直接监督，在保证了良好的语义分割质量的同时，提升了数据的标注速度。
-
-
-
-
Search Results
6
records
(took 0.011 seconds)
