基于一维残差卷积自编码器的自动驾驶测试场景提取方法

    公开(公告)号:CN117076969B

    公开(公告)日:2025-04-22

    申请号:CN202311086240.3

    申请日:2023-08-25

    Applicant: 重庆大学

    Abstract: 一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法,包括以下步骤:1)对自然驾驶数据集预处理;2)选取若干不同的场景数据,形成高维场景特征数据集;3)利用一维残差卷积自编码器对高维场景特征数据集的各个场景数据进行特征降维,形成低维特征类型数据集;4)考虑到不同特征之间的权重差异,分别计算低维特征类型数据集的各类特征向量对应的权重,并对低维特征类型数据集的各类特征向量对应的特征数据进行赋权,得到赋权后的低维特征类型数据集;5)利用K‑Means聚类模型对赋权后的低维特征类型数据集进行聚类,得到低维特征类型数据集的场景数据分类;6)根据各场景类别在高维场景特征数据集中对应的若干场景数据,对各场景类别命名。

    一种视觉重定位方法及系统
    2.
    发明公开

    公开(公告)号:CN118570295A

    公开(公告)日:2024-08-30

    申请号:CN202410354909.0

    申请日:2024-03-27

    Abstract: 本发明公开了一种视觉重定位方法及系统,涉及计算机视觉领域。其中,所述方法包括:根据查询图像中各个2D特征点的显著性信息,选取出2D关键点;利用场景坐标回归网络预测与2D关键点相匹配的3D场景坐标;其中,场景坐标回归网络在离线阶段完成对3D场景的学习,并在离线学习过程中引入几何约束策略;采用基于随机采样一致性方案的PnP算法,根据2D关键点和对应的3D场景坐标进行位姿求解,得到查询图像的六自由度位姿。相较于现有技术,本发明可以降低定位任务中离群点的数量并使网络能够从图像中一些有价值的区域学习,获得的匹配对和计算量都大幅减少,节约了计算资源,重定位结果精度高。

    融合注意力机制的多视图重建方法及系统

    公开(公告)号:CN116958437A

    公开(公告)日:2023-10-27

    申请号:CN202310930347.5

    申请日:2023-07-27

    Applicant: 重庆大学

    Inventor: 刘骥 李志杰

    Abstract: 本发明属于三维重建技术领域,具体公开了一种融合注意力机制的多视图重建方法及系统,该方法将预处理后的图像集合输入特征提取模块,获取图像组中各个视图在不同分辨率下的特征图和各个邻域图所对应的特征体,计算参考图与每个邻域图之间的代价体,并为每个图像间的代价体分别计算一个权重图;对图像间的代价体进行加权整合,得到最终的匹配代价体,计算概率体和深度图每个像素的深度估计值及置信度,得到高分辨率参考图的深度图,直至生成与原始分辨率大小相同的深度图并进行过滤;融合过滤后的深度图,得到最终稠密的点云模型,完成多视图重建。采用本技术方案,生成更高质量和更紧凑的点云模型,提高多视图三维重建的完整性。

    室内场景的三维重建方法及系统
    4.
    发明公开

    公开(公告)号:CN116797742A

    公开(公告)日:2023-09-22

    申请号:CN202310922149.4

    申请日:2023-07-26

    Applicant: 重庆大学

    Inventor: 刘骥 文杰 李志杰

    Abstract: 本发明属于三维重建技术领域,具体公开了一种室内场景的三维重建方法及系统,该方法将室内场景的图像输入深度估计网络,得到初始深度图,计算初始深度图像素点对应的法向量,估计出主方向,检测所有根据深度图计算得到的法向量,将其和估计的主方向比较对齐,训练深度估计网络,计算每张室内场景图像的每个像素对应的相机光线并获得采样点信息,训练隐式神经表达网络并优化,将隐式神经表达网络转化为显式网格,得到三维重建结果。采用本技术方案,基于结构知识的室内深度估计网络提高了深度估计的准确性,基于隐式神经表达的室内三维重建网络有效提升室内重建的整体效果。

    基于一维残差卷积自编码器的自动驾驶测试场景提取方法

    公开(公告)号:CN117076969A

    公开(公告)日:2023-11-17

    申请号:CN202311086240.3

    申请日:2023-08-25

    Applicant: 重庆大学

    Abstract: 一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法,包括以下步骤:1)对自然驾驶数据集预处理;2)选取若干不同的场景数据,形成高维场景特征数据集;3)利用一维残差卷积自编码器对高维场景特征数据集的各个场景数据进行特征降维,形成低维特征类型数据集;4)考虑到不同特征之间的权重差异,分别计算低维特征类型数据集的各类特征向量对应的权重,并对低维特征类型数据集的各类特征向量对应的特征数据进行赋权,得到赋权后的低维特征类型数据集;5)利用K‑Means聚类模型对赋权后的低维特征类型数据集进行聚类,得到低维特征类型数据集的场景数据分类;6)根据各场景类别在高维场景特征数据集中对应的若干场景数据,对各场景类别命名。

Patent Agency Ranking