-
公开(公告)号：CN118691823A
公开(公告)日：2024-09-24
申请号：CN202410901595.1
申请日：2024-07-05
Applicant: 集美大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0499
Abstract: 本发明公开了一种基于深度信息位置编码引导的语义分割方法及装置，该方法包括获取待处理图像；将待处理图像输入到预先训练好的空间深度感知辅助网络，以提取多尺度特征，并根据多尺度特征得到对应的深度特征图；根据多尺度特征和对应的深度特征图生成多尺度特征向量；采用多尺度注意力机制和前馈神经网络对多尺度特征向量进行处理，以得到最终特征；对最终特征进行融合处理，并对处理后的融合特征进行语义分割，以得到语义分割图；由此，通过在特征中嵌入深度信息，能够降低计算成本，从而提高图像分割性能。
-
公开(公告)号：CN117392342A
公开(公告)日：2024-01-12
申请号：CN202311507070.1
申请日：2023-11-13
Applicant: 集美大学
Abstract: 本发明涉及一种三维道路曲线重建方法、终端设备及存储介质，该方法中包括：采集用于道路曲线拟合的点集，并将其与标准的三维道路曲线模型进行模型拟合，得到多条候选曲线；通过深度强化学习从候选曲线中提取最佳曲线，基于最佳曲线进行道路曲线重建。本发明能够在数据具有大规模、非结构化、分布不均匀的情况下也能够自动鲁棒地识别道路曲线的类型并准确地估计出符合道路几何设计标准的三维道路曲线的参数，并且能一次性拟合出多条的道路曲线，大大提升了重建效率。
-
公开(公告)号：CN113570707A
公开(公告)日：2021-10-29
申请号：CN202110875291.9
申请日：2021-07-30
Applicant: 集美大学
Abstract: 本申请公开了一种三维人体重建方法、装置、计算机设备及存储介质。该方法包括获取目标人体的人体图像，并输入第一网络模型进行处理得到3D表面重建结果；其中，第一网络模型包括图像编码器和全连接层。之后，利用预设大小的体素网格对3D表面重建结果进行体素化得到3D表面采样点，并将得到的3D表面采样点经过第二网络模型进行处理得到颜色预测结果；其中，第二网络模型包括所述图像编码器和多层感知机。本申请利用非对称网络模型实现图片特征的充分提取，实现了优质的三维表面重建，基于体素覆盖范围的网格采样，在保证计算效率的同时实现了3D表面采样点的覆盖范围最大化，从而优化三维人体重建结果。
-
公开(公告)号：CN110675351A
公开(公告)日：2020-01-10
申请号：CN201910947237.3
申请日：2019-09-30
Applicant: 集美大学
Abstract: 本发明涉及一种基于全局亮度自适应均衡化的海上图像处理方法。首先，计算海上雾天图像的取反图；其次，对原图像和取反后图像进行MSRCR运算；然后，利用全局亮度自适应直方图均衡化处理，并将处理后的亮度与经MSRCR处理后的反射分量进行低频信号线性叠加；最后，计算叠加后图像的均值和标准差，并采用自适应拉伸图像灰度值，实现图像色彩对比度的提升。本发明使得处理后的图像前景突出，细节清晰，色彩丰富，对于海上图像除雾，具有较好的应用价值。
-
公开(公告)号：CN106740460A
公开(公告)日：2017-05-31
申请号：CN201611179660.6
申请日：2016-12-19
Applicant: 集美大学
CPC classification number: B60Q9/00 , E05F15/73 , E05F2015/763
Abstract: 本发明公开了基于FPGA的公交车门开闭状态监测器，包括FPGA控制板、车内超声探测装置、车外超声探测装置、后门摄像头、司机台位显示器和声光报警器；其中：FPGA控制板包含运算装置，运算装置分别与车内超声探测装置、车外超声探测装置、后门摄像头、司机台位显示器、声光报警器、车门动作输出装置和车门开度感应装置通过数字信号线相连；当车内超声探测装置检测到后门近距离出现物体遮挡或车外出现物体快速逼近时，发送数字信号到FPGA控制板，当FPGA控制板接收到车门动作输出装置的关门信号，则自动禁止车门关闭，并指示声光报警器报警。本申请的监测器灵敏度高，方向性好，在较短距离内受到外界不良因素的影响小，危险情况误判、漏判的少。
-
Patent Agency Ranking
公开(公告)号：CN105469388A
公开(公告)日：2016-04-06
申请号：CN201510783548.2
申请日：2015-11-16
Applicant: 集美大学
IPC: G06T7/00
CPC classification number: G06T2207/10028
Abstract: 本发明公开了一种基于降维的建筑物点云配准算法，包括如下步骤:在两个不同视角的采样点分别获取建筑物点云数据，并对点云中的每个点标号；选取两个视角建筑物点云的重叠区域，利用最小二乘法分别对所述重叠区域进行建筑物点云平面拟合，得到建筑物点云的投影面；将建筑物点云投影到建筑物投影面，确定点云中所有点垂直投影到建筑物投影面上的投影点坐标；对投影点进行重采样，确定建筑物点云降维后的二维图像；在二维图像中利用基于平方差的模板匹配搜索同名点；将搜索到的二维图像的同名点通过标号索引回三维点云中；根据同名点索引到的三维点云中的点，利用单位四元数法，得到旋转、平移变量，并应用到整体建筑物点云。本发明可提高配准效率。
-
公开(公告)号：CN118736375A
公开(公告)日：2024-10-01
申请号：CN202410778483.1
申请日：2024-06-17
Applicant: 集美大学
IPC: G06V10/82 , G06V10/776 , G06N3/0464
Abstract: 本发明涉及受电弓异常检测技术领域，且公开了一种基于深度学习的受电弓异常检测系统。该基于深度学习的受电弓异常检测系统通过数据采集模块采集列车运行信号、列车车号、列车车次以及通过摄像机拍摄的受电弓图像，数据处理模块对受电弓图像数据进行清洗、去噪以及放大操作，深度学习算法模型检测模块通过设置性能评估指标，对算法的性能评估指标进行计算，并对比PPYOLO算法、骨干网络为Darknet‑53的YOLOv3算法以及骨干网络为MobileNet的YOLOv3算法，选取最优算法PPYOLO算法进行受电弓异常检测，并将受电弓检测异常信息传输至数据记录模块进行存储，数据输出模块将受电弓异常信息输出至可视化界面。
-
公开(公告)号：CN111414953A
公开(公告)日：2020-07-14
申请号：CN202010186727.9
申请日：2020-03-17
Applicant: 集美大学
IPC: G06K9/62
Abstract: 本申请实施例公开了点云分类方法和装置。该方法的一具体实施方式包括：获取初始点云数据；基于预设的第一下采样率，从初始点云数据中随机提取第一点云数据；基于预设的第二下采样率，从第一点云数据中随机提取第二点云数据；将第一点云数据和第二点云数据分别输入预先训练的空间聚合网络，得到第一特征数据和第二特征数据；从第一特征数据中提取与第二点云数据对应的特征数据，并将提取的特征数据和第二特征数据聚合为第三特征数据；将第三特征数据输入预先训练的点云分类网络，得到第二点云数据中的每个点对应的类别信息。该实施方式实现了对点云数据进行不同密度的均匀采样，提高了提取特征的丰富性，提高了对点云进行小目标分割的性能。
-
公开(公告)号：CN110888623A
公开(公告)日：2020-03-17
申请号：CN201911163157.5
申请日：2019-11-25
Applicant: 集美大学
Abstract: 本发明涉及数据转换方法、乘法器、加法器、终端设备及存储介质，该方法包括：输入浮点数F；将输入的浮点数F按照以下转化规则进行转换，转换规则为：其中，ai为整型数，每个整型数均为n比特，i表示序号，k表示整型数的个数；根据转换后的浮点数F，设定转换为的新标准数为k个n比特的整型数ai从高位到低位采用降序或升序排列而成的数；当浮点数F＝0时，k个n比特的整型数均为负无穷；输出转换后的所述新标准数。本发明既保留了单精度浮点数的数值表示范围大的优点，又降低了浮点数乘法运算的计算开销，因此能够降低深度神经网络算法的计算开销，为深度神经网络算法在低成本、低功耗设备上的部署提供了一种解决方案。
-
公开(公告)号：CN105631939B
公开(公告)日：2018-10-23
申请号：CN201511002947.7
申请日：2015-12-28
Applicant: 集美大学
IPC: G06T19/20
Abstract: 本发明公开了一种基于曲率滤波的三维点云畸变校正方法及其系统，方法包括：获取三维点云模型；获取所述三维点云模型中的各个点ni的K邻域；在所述点ni的K邻域中选取平面，获取平面集Ai；分别计算点ni到所述平面集Ai中的平面的投影距离，确定最短距离di；将点ni垂直投影到所述最短距离di对应的平面，获取点ni在所述最短距离di对应的平面上的投影点mi；输出所述投影点mi。本发明可减小计算复杂度，可以有效地去除点云中的噪声点与离群点，很好地平滑点云模型，同时很好地保持了物体的细节和几何特征未出现畸变，提高平滑点云数据的效果与效率，具有高效性和通用性等特点。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.016 seconds)
