一种基于端到端关系网络的视觉SLAM闭环检测方法

    公开(公告)号:CN111241986A

    公开(公告)日:2020-06-05

    申请号:CN202010017054.4

    申请日:2020-01-08

    Abstract: 本发明公开了一种基于端到端关系网络的视觉SLAM闭环检测方法,包括以下步骤:S1:向VGG16网络中输入视觉传感器采集的先前图像和当前图像;S2:对原始数据进行预处理;S3:通过5个卷积阶段获取预处理后的先前图像和当前图像的特征,得到多层特征;S4:对多层特征进行加权融合;S5:对多层特征进行标准化,得到标准特征;S6:对标准特征进行组合,得到组合图像;S7:通过CNN关系模块回归得到组合图像的相似性得分,完成闭环检测。本发明可避免学习冗余特征,使得学习到的特征更加适应相似性度量要求的可区分性,可以更加准确地检测闭环并节省检测时间,提高闭环检测地精度。

    一种基于端到端度量网络的视觉SLAM闭环检测方法

    公开(公告)号:CN112766305A

    公开(公告)日:2021-05-07

    申请号:CN202011566515.X

    申请日:2020-12-25

    Abstract: 本发明公开了一种基于端到端度量网络的视觉SLAM闭环检测方法,包括以下步骤:S1、对当前时刻的环境图像进行预处理,得到当前时刻的标准化图像;S2、采用特征提取模型对历史时刻和当前时刻的标准化图像分别进行图像特征提取;S3、采用两个图像的多层特征构建相似矩阵;S4、采用卷积神经网络对相似矩阵进行进一步地特征提取;S5、构建相似性度量模型,将相似矩阵的特征图输入相似性度量模型进行历史时刻与当前时刻的环境图像的相似度计算,确定当前时刻的环境是否产生闭环;本发明解决了现有的闭环检测方法大都将特征提取和相似性度量作为两个环节独立进行使得检测效果不能进一步优化的问题。

    一种基于端到端关系网络的视觉SLAM闭环检测方法

    公开(公告)号:CN111241986B

    公开(公告)日:2021-03-30

    申请号:CN202010017054.4

    申请日:2020-01-08

    Abstract: 本发明公开了一种基于端到端关系网络的视觉SLAM闭环检测方法,包括以下步骤:S1:向VGG16网络中输入视觉传感器采集的先前图像和当前图像;S2:对原始数据进行预处理;S3:通过5个卷积阶段获取预处理后的先前图像和当前图像的特征,得到多层特征;S4:对多层特征进行加权融合;S5:对多层特征进行标准化,得到标准特征;S6:对标准特征进行组合,得到组合图像;S7:通过CNN关系模块回归得到组合图像的相似性得分,完成闭环检测。本发明可避免学习冗余特征,使得学习到的特征更加适应相似性度量要求的可区分性,可以更加准确地检测闭环并节省检测时间,提高闭环检测地精度。

    一种印制电路蚀刻液
    4.
    发明授权

    公开(公告)号:CN100545312C

    公开(公告)日:2009-09-30

    申请号:CN200810045291.0

    申请日:2008-01-29

    Abstract: 本发明属于印制电路板制造技术领域。本发明提供了一种经济,实用,快速、高效和易于再生的印制电路蚀刻液。该蚀刻液的配方为:HNO3(5%~15%)、H2SO4(8%~20%)、Na2SO4(1%~6%)、添加剂0.01~0.2%,其中添加剂是含有如下一种或一种以上表面活性剂的复配剂:C10~C12脂肪醇聚氧乙烯醚磺基琥珀酸半酯二钠盐、脂肪醇聚氧丙烯聚氧乙烯醚、聚氧乙烯(20)失水三梨醇单月桂酸酯、烷基聚氧乙烯醚硫酸酯铵盐或钠盐、烷基酚聚氧乙烯醚硫酸酯铵盐或钠盐、脂肪醇聚氧乙烯醚、脂肪酸聚氧乙烯醚、壬基酚聚氧乙烯醚。采用本发明制造出印制电路侧蚀非常小,且蚀刻液再生容易,能较长时间的循环使用,废液处理容易,对环境的污染小。

    一种在挠性印制电路板聚酰亚胺基材上开窗口的方法及其刻蚀液

    公开(公告)号:CN100471361C

    公开(公告)日:2009-03-18

    申请号:CN200510021881.6

    申请日:2005-10-18

    Abstract: 一种在挠性印制电路板聚酰亚胺基材上开窗口的方法及其刻蚀液,属于材料技术领域,特别涉及挠性印制电路板加工技术。本发明所述的开窗口的方法包括预处理(除油、水洗烘干)、化学刻蚀前处理(贴膜、曝光、显影)、化学刻蚀和刻蚀后处理(水洗、脱膜、水洗烘干)等步骤。本发明所述的刻蚀液为氢氧化钾、氢氧化钠的混合溶液,其中还可以加入苯并三唑(BTA)及其衍生物的添加剂1或/和巯基苯并噻唑(MBT)及其衍生物的添加剂2以及微量的渗透剂。本发明所述的开窗口的方法经济、简便、实用、快速和高效,且能满足精度要求;本发明所述的刻蚀液,其原料经济、配制容易,且可以方便地与其刻蚀过程相结合。

    一种印制电路蚀刻液
    6.
    发明公开

    公开(公告)号:CN101225520A

    公开(公告)日:2008-07-23

    申请号:CN200810045291.0

    申请日:2008-01-29

    Abstract: 本发明属于印制电路板制造技术领域。本发明提供了一种经济,实用,快速、高效和易于再生的印制电路蚀刻液。该蚀刻液的配方为:HNO3(5%~15%)、H2SO4(8%~20%)、Na2SO4(1%~6%)、添加剂0.01~0.2%,其中添加剂是含有如下一种或一种以上表面活性剂的复配剂:C10~C12脂肪醇聚氧乙烯醚磺基琥珀酸半酯二钠盐、脂肪醇聚氧丙烯聚氧乙烯醚、聚氧乙烯(20)失水三梨醇单月桂酸酯、烷基聚氧乙烯醚硫酸酯铵盐或钠盐、烷基酚聚氧乙烯醚硫酸酯铵盐或钠盐、脂肪醇聚氧乙烯醚、脂肪酸聚氧乙烯醚、壬基酚聚氧乙烯醚。采用本发明制造出印制电路侧蚀非常小,且蚀刻液再生容易,能较长时间的循环使用,废液处理容易,对环境的污染小。

    一种基于端到端度量网络的视觉SLAM闭环检测方法

    公开(公告)号:CN112766305B

    公开(公告)日:2022-04-22

    申请号:CN202011566515.X

    申请日:2020-12-25

    Abstract: 本发明公开了一种基于端到端度量网络的视觉SLAM闭环检测方法,包括以下步骤:S1、对当前时刻的环境图像进行预处理,得到当前时刻的标准化图像;S2、采用特征提取模型对历史时刻和当前时刻的标准化图像分别进行图像特征提取;S3、采用两个图像的多层特征构建相似矩阵;S4、采用卷积神经网络对相似矩阵进行进一步地特征提取;S5、构建相似性度量模型,将相似矩阵的特征图输入相似性度量模型进行历史时刻与当前时刻的环境图像的相似度计算,确定当前时刻的环境是否产生闭环;本发明解决了现有的闭环检测方法大都将特征提取和相似性度量作为两个环节独立进行使得检测效果不能进一步优化的问题。

    一种基于共享缓存的片上多核处理器静态架构

    公开(公告)号:CN104866457A

    公开(公告)日:2015-08-26

    申请号:CN201510302580.4

    申请日:2015-06-04

    Abstract: 本发明公开了一种基于共享缓存的片上多核处理器静态架构,它包括n个节点,n为大于0的偶数,所述的节点包括n/2个A类节点和n/2个B类节点;A类节点包括处理核心core、本地私有高速缓存L1和路由器R;B类节点包括处理核心core、本地私有高速缓存L1、路由器R和共享缓存l2bank;节点之间通过路由器进行通信;A类节点和B类节点成间歇式分布;所述的共享缓存l2bank的容量为通用架构中的共享缓存的两倍。本发明提供了一种基于共享缓存的片上多核处理器静态架构,在不增加整个片上网络的访问延时和不增加整个片上网络的拥塞程度的基础上,节省了最后一级高速缓存的硬件开销和面积,节省了高速缓存的静态功耗。

    一种在挠性印制电路板聚酰亚胺基材上开窗口的方法及其刻蚀液

    公开(公告)号:CN1953643A

    公开(公告)日:2007-04-25

    申请号:CN200510021881.6

    申请日:2005-10-18

    Abstract: 一种在挠性印制电路板聚酰亚胺基材上开窗口的方法及其刻蚀液,属于材料技术领域,特别涉及挠性印制电路板加工技术。本发明所述的开窗口的方法包括预处理(除油、水洗烘干)、化学刻蚀前处理(贴膜、曝光、显影)、化学刻蚀和刻蚀后处理(水洗、脱膜、水洗烘干)等步骤。本发明所述的刻蚀液为氢氧化钾、氢氧化钠的混合溶液,其中还可以加入苯并三唑(BTA)及其衍生物的添加剂1或/和巯基苯并噻唑(MBT)及其衍生物的添加剂2以及微量的渗透剂。本发明所述的开窗口的方法经济、简便、实用、快速和高效,且能满足精度要求;本发明所述的刻蚀液,其原料经济、配制容易,且可以方便地与其刻蚀过程相结合。

    一种用于无线信号识别的多任务学习方法

    公开(公告)号:CN117609777A

    公开(公告)日:2024-02-27

    申请号:CN202311035924.0

    申请日:2023-08-16

    Abstract: 本发明提出了一种用于无线信号识别的通用多任务学习框架,属于无线通信领域。该框架使用共享特征提取网络提取信号广泛特征,结合注意力机制和分类器实现无线信号中不同任务的分类识别,该框架能够快速收敛且能在较小运算、时间代价下实现信号并行多任务的高效识别。同时,为了解决多任务间的权重分配问题,引入考虑不同任务间损失梯度变化的动态权重分配函数,实现不同任务间权重的自动分配,使得损失值的收敛更快且更鲁棒,而且也进一步提高了学习框架的学习速率和准确率。提出的多任务框架实现了端到端的学习方式,方便新任务的快速扩展。与传统的基准网络进行对比,本发明所提框架具有更好的识别性能。因此,本发明实现了无线信号多任务的有效识别,能够在常见的无线通信场景下展现良好效用。

Patent Agency Ranking