-
公开(公告)号：CN113219439B
公开(公告)日：2023-12-26
申请号：CN202110379595.6
申请日：2021-04-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本申请实施例提供了一种目标主干点云提取方法、装置、设备及计算机存储介质，涉及激光雷达技术领域。该方法包括：获取目标平面的原始点云的坐标信息，确定目标平面的平面种子点；采用预设的线性模型对目标平面进行拟合，确定目标平面的拟合模型；采用预设的算法确定拟合模型中的主干点云，得到目标平面的主干点云。本申请实施例通过各激光点的坐标信息，采用坐标信息，能够有效去除原始点云中坐标高度值过高的激光点，采用线性模型能够有效模拟去除过高点后的点云的拟合平面，然后基于该拟合平面，进一步去除该拟合平面中过高或者距离过大的激光点，保证过高点和干扰点完全被去除，提升点云的精确度，方便后续点云的使用。
-
公开(公告)号：CN113538699A
公开(公告)日：2021-10-22
申请号：CN202110687387.2
申请日：2021-06-21
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
IPC: G06T19/00 , G06T17/05 , G06T7/73 , G01S17/931 , G01S17/86
Abstract: 本申请提供了一种基于三维点云的定位方法、装置、设备及存储介质，涉及自动驾驶技术领域，该方法包括：通过分别获取组合导航数据和激光雷达测量的点云数据，并分别对点云数据和组合导航数据进行处理，先基于组合导航数据确定车辆的当前位姿信息，并确定点云定位中的变换矩阵和平移矩阵，再基于该变换矩阵和平移矩阵确定车辆的激光雷达位姿信息，然后基于该激光雷达位姿信息和车辆的姿态信息确定车辆的姿态计算法方程，然后采用扩展卡尔曼滤波方法基于所述位姿状态计算方程对所述车辆进行定位，更加符合车辆的形式规律，保证车辆定位的准确性。
-
公开(公告)号：CN113219439A
公开(公告)日：2021-08-06
申请号：CN202110379595.6
申请日：2021-04-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本申请实施例提供了一种目标主干点云提取方法、装置、设备及计算机存储介质，涉及激光雷达技术领域。该方法包括：获取目标平面的原始点云的坐标信息，确定目标平面的平面种子点；采用预设的线性模型对目标平面进行拟合，确定目标平面的拟合模型；采用预设的算法确定拟合模型中的主干点云，得到目标平面的主干点云。本申请实施例通过各激光点的坐标信息，采用坐标信息，能够有效去除原始点云中坐标高度值过高的激光点，采用线性模型能够有效模拟去除过高点后的点云的拟合平面，然后基于该拟合平面，进一步去除该拟合平面中过高或者距离过大的激光点，保证过高点和干扰点完全被去除，提升点云的精确度，方便后续点云的使用。
-
公开(公告)号：CN115239981A
公开(公告)日：2022-10-25
申请号：CN202210652292.1
申请日：2022-06-09
Applicant: 广西综合交通大数据研究院
IPC: G06V10/75 , G06V10/764
Abstract: 本发明的技术方案涉及一种车辆位姿获取方法，包括：根据获取的IMU数据得到车辆当前的IMU估计位姿和对应的时间戳；结合IMU估计位姿和对应的时间戳，对获取的LiDAR扫描帧的激光点云进行运动畸变校正，得到预处理LiDAR扫描帧；从预处理LiDAR扫描帧中进行车辆位姿的特征点提取；根据车辆位姿的特征点，得到LiDAR的观测误差函数；根据IMU数据，得到IMU的误差函数；将LiDAR的观测误差函数和所述IMU的误差函数进行叠加计算，得到车辆位姿的误差函数；结合车辆位姿的特征点和所述IMU数据，令车辆位姿的误差函数达到最小值，从而得到车辆的位姿。本发明提供给的车辆位姿获取方法，在距离和方向上进行约束，具有更强的鲁棒性，并且约束位姿，提高获取的车辆位姿精确度。
-
公开(公告)号：CN111444847A
公开(公告)日：2020-07-24
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF-YOLOv3卷积神经网络模型，利用改进的DFF-YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
Patent Agency Ranking
公开(公告)号：CN111444847B
公开(公告)日：2023-04-07
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
IPC: G06V20/58 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF‑YOLOv3卷积神经网络模型；利用DFF‑YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF‑YOLOv3卷积神经网络模型，利用改进的DFF‑YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
公开(公告)号：CN115454525A
公开(公告)日：2022-12-09
申请号：CN202211071086.8
申请日：2022-09-01
Applicant: 桂林电子科技大学
Abstract: 本发明涉及性能调优技术领域，具体涉及一种基于Kafka的大数据系统访问量骤增时用户卡顿解决方法，使用默认配置在Kafka集群上运行工作负载W，并记录下所需时间T，抽样获取配置样本数据集并部署在Kafka集群上在相同的工作负载W与工作时间T下运行，选出性能较好的一部分配置组合数据并作标准化处理作为样本数据集；然后将训练样本输入生成器与判别器并同时对他们进行训练，训练完成后生成器生成N组配置，部署运行Kafka并记录每组配置的吞吐率，选出训练样本与生成器生成的N组样本中性能最好的那组配置即为调优目标。本发明能对Kafka消息系统进行有效调优，在相同工作环境下相比默认配置的性能得到提高。
-
公开(公告)号：CN119233245A
公开(公告)日：2024-12-31
申请号：CN202411354522.1
申请日：2024-09-27
Applicant: 桂林电子科技大学
IPC: H04W12/02 , H04W12/00 , H04W12/61 , H04W12/69 , H04L9/00 , H04L9/32 , G06F21/62 , G06N20/00 , G06N3/084
Abstract: 本发明公开了一种基于区块链的车联网联邦学习隐私保护方法，属于车联网和区块链、联邦学习技术领域。针对传统联邦学习存在的安全和隐私问题严重阻碍车联网数据共享问题，首先，利用区块链和差分隐私技术保持机器学习过程的透明，不可篡改及可追溯，从而确保高效且安全的机器学习；然后，设计了一种激励方法，鼓励本地设备积极参与的同时又规范了其非法行为；最后，采用一定的聚合策略检测拜占庭的无效信息，进一步提高全局模型精度。本发明在保护数据隐私的同时提高了系统的鲁棒性。
-
公开(公告)号：CN119382857A
公开(公告)日：2025-01-28
申请号：CN202411412912.X
申请日：2024-10-11
Applicant: 桂林电子科技大学
IPC: H04L9/00 , G06F18/214 , H04L67/1095 , H04L67/1097 , H04L67/12 , H04W12/033 , H04W12/60 , H04W4/40
Abstract: 本发明公开了一种基于区块链和信誉值变更的联邦学习方法，属于车联网和区块链技术领域。针对车联网车辆的参与度低、安全性难以得到保障的问题，首先，通过构建状态通道转移训练任务计算至链下来避免训练与共识的算力冲突；然后通过计算C‑Capacity值更新车辆贡献度，提高车辆参与训练的积极性；最后，通过车辆行为评估信誉值，使用基于C‑Capacity值的PoCC共识算法选择工作车辆，保障本地模型更新的质量，加快模型收敛速度。
-
公开(公告)号：CN118659866A
公开(公告)日：2024-09-17
申请号：CN202410683382.6
申请日：2024-05-30
Applicant: 桂林电子科技大学
IPC: H04L9/00 , H04L9/40 , H04L67/1061 , H04W12/122 , H04W4/40 , G06N3/042 , G06N3/098 , G06N20/20
Abstract: 本发明公开了一种基于区块链与教师学生模型的联邦学习数据共享方法，属于车联网和区块链、联邦学习技术领域。针对传统联邦学习存在的安全和隐私问题严重阻碍车联网自动驾驶的数据共享问题，首先，设备在本地数据集上训练具备差分隐私的机器学习模型；然后，将学生模型得到的梯度添加差分隐私噪声，实现本地敏感数据隐私保护；最后，采用梯度约束机制对梯度进行聚合，领导者节点对广播中的梯度进行筛选，抵抗中毒攻击，保障系统的安全性。本发明在保护数据隐私的同时提高了系统的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.035 seconds)
