-
公开(公告)号：CN109255364B
公开(公告)日：2021-06-08
申请号：CN201810763389.3
申请日：2018-07-12
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于深度卷积生成对抗网络的场景识别方法。现有利用深度学习进行场景识别的方法，都是通过训练集图片自带的样本和标签进行训练，然后利用训练好的模型来对图片进行特征提取，但是实际中大部分的图片都没有标签，即使可以利用人工标注，也需要花费很大的时间和成本。本发明首先利用无标签的图片构建深度卷积生成对抗网络模型，然后，利用已经学习到场景数据集分布的生成器，反向训练得到一个卷积神经网络来提取图像的特征，解决了图像数据集需要标签的问题，并且提取出比传统特征更能表征图像的特征向量，从而提高场景识别任务中的识别准确性。
-
公开(公告)号：CN109903331B
公开(公告)日：2020-12-22
申请号：CN201910016289.9
申请日：2019-01-08
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于RGB‑D相机的卷积神经网络目标检测方法。目前越来越多的目标检测算法都利用了卷积神经网络来对目标物体进行定位。然而大部分的卷积神经网络框架都只是利用彩色相机对目标物体的位置进行预测。然而只利用RGB信息，要使卷积神经网络达到较高的检测精度有很大的难度，需要综合考虑卷积神经网络建模，训练方案等诸多方面因素，较难实现。本发明利用了RGB‑D相机采集的深度图，辅助卷积神经网络对目标物体的位置进行预测。利用深度图像中的距离信息，能对目标物体的尺寸大小预先估计，减轻卷积神经网络的建模难度，提升网络的检测精度。
-
公开(公告)号：CN111950583A
公开(公告)日：2020-11-17
申请号：CN202010505035.6
申请日：2020-06-05
Applicant: 杭州电子科技大学 , 星际控股集团有限公司
Abstract: 本发明公开了一种基于GMM聚类的多尺度识别交通信号标志的方法。识别方法为：通过GMM聚类得到先验框尺寸作为网络的参数参与训练；先训练数据集中出现过多类的样本图像：将待训练图像输入神经网络中，网络提取输入图像不同层次的特征图，再通过上采样和特征融合，最后输出五个不同尺度的预测结果。通过迭代训练更新模型参数，得到过渡模型；按上述方法训练出现过少类的样本图像，得到最终模型；识别时将待识别图像输入最终模型，得到图像相应位置上的识别结果。通过GMM聚类，提高了网络的训练速度、识别速度和精度；通过多尺度预测，解决了交通信号标志太小，难以检测的问题；通过迁移学习的方法，解决了数据集少导致识别效果差的问题。
-
公开(公告)号：CN111814417A
公开(公告)日：2020-10-23
申请号：CN202010531916.5
申请日：2020-06-11
Applicant: 杭州电子科技大学
IPC: G06F30/34
Abstract: 本发明公开了基于字符分隔值文件转换Verilog代码的方法：S1，读取字符分隔值总文件中的数据，根据总文件内的记录去搜索符合条件的字符分隔值子文件；S2，处理字符分隔值总文件和子文件内的数据，生成端口信号列表和变量定义部分的Verilog代码；S3，给每个字符分隔值子文件分配状态号区间，读取各个子文件内的状态跳转数据，生成状态跳转部分的Verilog代码；S4，读取每个字符分隔值子文件内对应状态所执行的操作，生成各个状态语句执行的Verilog代码。本发明为字符分隔值文件数据转化到硬件描述提供了切实可行的方案，当需要编写的状态机状态很多时，可有效简化状态的插入和删除问题以及子状态机间相互跳转问题，能够降低代码编写的出错率，提高开发的效率。
-
公开(公告)号：CN109278041B
公开(公告)日：2020-10-09
申请号：CN201810754982.1
申请日：2018-07-11
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种过渡误差可控的机械臂直线轨迹自适应衔接规划方法，本发明包含确定过渡点与最大轨迹误差，空间坐标系与平面坐标系转换，过渡运动模型构建，根据运动学约束求取过渡时间和实际过渡速度与过渡加速度确定五个部分。本发明以实现对过渡点和最大轨迹误差的控制为基础，求取精确的过渡运动时间，对过渡过程产生精确控制，并确保生成的过渡运动整体都满足运动学约束。规划过程简单高效，适用于高实时性要求的连续直线轨迹的衔接规划，并对于任意类型的机器人轨迹规划都有适用性。
-
Patent Agency Ranking
公开(公告)号：CN111401128A
公开(公告)日：2020-07-10
申请号：CN202010049310.8
申请日：2020-01-16
Applicant: 杭州电子科技大学
Abstract: 本发明一种提高车辆识别率的方法，本发明通过使用机器视觉技术应用于智能交通系统的车辆识别等领域。目前车辆识别领域针对应用车载移动平台采集图像的应用比较少，不能满足移动违章取证的要求。本发明的方法首先通过车载移动平台采集道路汽车图像，利用yolov3进行初步汽车目标检测与识别，然后根据检测框与预测值综合判定是否送入分类器在预测。再根据分类器预测结果决定该检测框是否为错误检测并删除。该方法适用于车载移动平台的车辆识别领域，并在实际应用场景中取得较好的效果。
-
公开(公告)号：CN111260680A
公开(公告)日：2020-06-09
申请号：CN202010034081.2
申请日：2020-01-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于RGBD相机的无监督位姿估计网络构建方法。根据图像估计相机的运动是目前视觉移动机器人的一大研究课题。传统的方法易在低纹理、复杂的几何结构和光照、遮蔽等环境下失效。而大多数基于深度学习的方法又需要额外的监督数据，这使得工作变得复杂，而且提高了成本。本发明使用卷积神经网络的方法弥补传统方法的不足，并且利用深度图像的距离信息，结合传统的几何知识，利用正序逆序输入增加约束，使得网络能准确估计相机的位姿。
-
公开(公告)号：CN110930342A
公开(公告)日：2020-03-27
申请号：CN201911030673.0
申请日：2019-10-28
Applicant: 杭州电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于彩色图引导的深度图超分辨率重建网络构建方法。目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠单一尺寸的卷积核，无法很好的提取出同场景下高分辨率彩色图像中有利的引导信息。本发明的多尺度卷积核彩图引导网络不仅可以充分发掘了高分辨率彩色图像信息，提取了有用的特征图像，而且可以丰富深度图像特征的多样性，融合这些信息对深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
-
公开(公告)号：CN106514657B
公开(公告)日：2019-11-05
申请号：CN201611260183.6
申请日：2016-12-30
Applicant: 杭州电子科技大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于机器人运动规划的密封圈抓取和放置方法，包括密封圈识别和抓取实现步骤，电池盖板密封口识别实现步骤和机器人动态目标追踪实现步骤三个部分。本发明能够有效地取代传统电池生产密封圈密封方法，即人工精准地识别密封圈的正反面，并进行抓取，然后将密封圈盖在传送带上高速移动的蓄电池盖板密封口上。具有效率高、准确度高、工作环境适应能力强等特点，能满足电池工厂装配要求，提高工业生产自化水平，可以广泛的适用于当代流水线装配作业。
-
公开(公告)号：CN109903332A
公开(公告)日：2019-06-18
申请号：CN201910016293.5
申请日：2019-01-08
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于深度学习的目标姿态估计方法。实际工业环境中需要利用机械手臂对于目标物体进行抓取，需要首先获得目标物体的空间位置信息和姿态信息。摄像机系统价格便宜，所以利用视觉信息来进行目标物体的姿态估计的方法应用最广泛。利用传统的视觉算法来进行姿态估计难以提取出有效的特征，精度比较有限。本发明方法利用了神经网络的优势，利用神经网络算法将目标物体重要区域提取出来之后对物体表面进行建模的方法来估计物体姿态。本方法适应性强，对于不同种类的物体，只需收集数据集对神经网络进行重新训练，无需重新设计特征提取器。而且本方法确定姿态准确，利用神经网络强大的特征提取能力，能够估计分析大部分场景中的物体。
-
-
-
-
-
-
-
-
-
Search Results
193
records
(took 0.031 seconds)
