-
公开(公告)号：CN114758557B
公开(公告)日：2023-03-24
申请号：CN202210065742.7
申请日：2022-01-20
Inventor： 程德强 , 徐传兴 , 韩鲲 , 尚振生 , 杨建军 , 寇旗旗 , 厉刚 , 王晓艺 , 刘海 , 符新华 , 朱元彩 , 王勇 , 葛运涛 , 王竞 , 吴兆立 , 李一博 , 夏战国 , 张超 , 刘友伟 , 马运来
IPC: G09B9/04
Abstract: 本发明提供了一种沉浸式特种车辆驾驶综合训练模拟系统，包括主控台、六自由度运动平台和特种车辆模拟舱，还包括VR眼镜、VR手套、气味模拟器、无线追踪器；气味模拟器连接在VR眼镜下部；模拟控制系统还包括触碰仿真系统和气味仿真系统；VR眼镜和VR手套通讯交互，进行特种车辆内部按钮的触碰模拟；通过气味仿真系统控制气味模拟器释放模拟的环境气味；本发明具有视场大、立体视觉、头部运动跟踪的功能，操作者的视场可以随头部的转动而改变，具有360度的视角，实现了特种车辆内部的按钮触碰的互动反馈、驾驶场景的气味动态模拟；极大提高了驾驶训练仿真系统的主动性、交互性和沉浸感等性能，给驾驶员提供了更逼真的驾驶环境，改善了驾驶训练的效果。
-
公开(公告)号：CN115330874A
公开(公告)日：2022-11-11
申请号：CN202211070202.4
申请日：2022-09-02
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于超像素处理遮挡的单目深度估计方法，属于计算机视觉领域，步骤一，图像预处理：对输入的双目图片进行图像去噪以及生成遮挡物体掩膜；步骤二，采用相机位姿估计进行位姿估计对图像进行重建：首先进行特征提取，相机位姿估计使用PoseCNN，之后将输入图像分为三个任务，分别为语义分割、三维旋转回归、三维平移估计；步骤三，采用深度估计网络进行深度估计对图像进行重建；步骤四，计算光度重建损失。使用光度重建损失来识别遮挡，可以有效去除影响网络训练的遮挡物体；图像输入网络之前，使用聚类分割，然后使用SSIM指标重新匹配双目图像对，网络预测的图像比较单一，提高了网络估计的准确率。
-
公开(公告)号：CN115239564A
公开(公告)日：2022-10-25
申请号：CN202210992327.6
申请日：2022-08-18
Applicant: 中国矿业大学
Abstract: 本发明提供一种结合语义信息的矿井图像超分辨率重建方法，其主要目的是通过语义分割网络所产生的概率图对超分辨率网络的深层特征提取前的输入进行调整，以此达到提高图像重建质量的结果。该方法主要包括这几部分：1.构建一个较深的超分辨率网络，其结构主要包括：浅层特征提取模块、深层特征提取模块、上采样模块；2.构建一个语义分割网络，用于产生作为深层特征提取模块的部分输入；3.确定损失函数、学习率调整策略。
-
公开(公告)号：CN115115686A
公开(公告)日：2022-09-27
申请号：CN202211004903.8
申请日：2022-08-22
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于细粒度多特征融合的矿井图像无监督单目深度估计方法，包括以下步骤：步骤1：对原图多次采样，将不同尺度的图像输入到编码器网络；步骤2：将编码器的输出通过扩展卷积模块进行融合并输入到解码器网络；步骤3：将解码器网络输出的视差图进行多尺度融合；步骤4：重建视图；通过采用多尺度图像输入到网络，同时将解码器输出的视差图进行逐层的尺度融合，加强弱纹理区域的深度估计效果，并且增加中间扩展卷积模块，加大对全局信息的理解。
-
公开(公告)号：CN114758557A
公开(公告)日：2022-07-15
申请号：CN202210065742.7
申请日：2022-01-20
Inventor： 程德强 , 徐传兴 , 韩鲲 , 尚振生 , 杨建军 , 寇旗旗 , 厉刚 , 王晓艺 , 刘海 , 符新华 , 朱元彩 , 王勇 , 葛运涛 , 王竞 , 吴兆立 , 李一博 , 夏战国 , 张超 , 刘友伟 , 马运来
IPC: G09B9/04
Abstract: 本发明提供了一种沉浸式特种车辆驾驶综合训练模拟系统，包括主控台、六自由度运动平台和特种车辆模拟舱，还包括VR眼镜、VR手套、气味模拟器、无线追踪器；气味模拟器连接在VR眼镜下部；模拟控制系统还包括触碰仿真系统和气味仿真系统；VR眼镜和VR手套通讯交互，进行特种车辆内部按钮的触碰模拟；通过气味仿真系统控制气味模拟器释放模拟的环境气味；本发明具有视场大、立体视觉、头部运动跟踪的功能，操作者的视场可以随头部的转动而改变，具有360度的视角，实现了特种车辆内部的按钮触碰的互动反馈、驾驶场景的气味动态模拟；极大提高了驾驶训练仿真系统的主动性、交互性和沉浸感等性能，给驾驶员提供了更逼真的驾驶环境，改善了驾驶训练的效果。
-
Patent Agency Ranking
公开(公告)号：CN113724167A
公开(公告)日：2021-11-30
申请号：CN202111031131.2
申请日：2021-09-03
Applicant: 中国矿业大学
IPC: G06T5/00
Abstract: 本发明为一种高清视频信息的自适应采集及图像处理方法，方法包括如下步骤：a.对滤波的初始窗口尺寸提前进行计算；b.判断窗口是否达到最大值，对于部分异常噪声点进判断，改进噪声点的检测，对初始窗口尺寸进行更改；c.对窗口达到最大值后，仍无法处理的噪声引入均值滤波器；基于传统的自适应中值滤波算法，在其中加入对初始窗口尺寸提前进行计算、对于部分异常噪声点进判断，改进噪声点的检测标准同时结合部分均值滤波技术完善滤波效果，本方法使得滤波效果满足图像的实时性要求，通过确定最佳窗口尺寸，尽量减少像素点重复排序问题，有效地将高频细节与噪声区分开。
-
公开(公告)号：CN113643323A
公开(公告)日：2021-11-12
申请号：CN202110960779.1
申请日：2021-08-20
Applicant: 中国矿业大学
Abstract: 本发明提出城市地下综合管廊尘雾环境下目标检测系统，所述系统包括视频逐帧去雾模块和运动目标检测模块，所述视频逐帧去雾模块用于将地下管廊的模糊视频画面去除尘雾影响，恢复管廊内物体或行人轮廓；所述运动目标检测模块用于对视频中运动目标的轮廓进行检测判断，实现了去雾和抑制噪声的效果，而且该模型对边缘的保持有较好的能力，消除了背景更新不及时导致的鬼影现象，而且运算速度得到明显的提升，实现了运动目标追踪的要求。
-
公开(公告)号：CN113095229A
公开(公告)日：2021-07-09
申请号：CN202110399589.7
申请日：2021-04-14
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种无监督域自适应行人重识别系统及方法，属于行人重识别技术领域，解决了现有无监督域自适应行人重识别难度大、识别准确率低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，获得行人重识别网络模型的分类损失函数和样本不变性损失函数，根据源域样本子集中每一行人图片与目标域样本子集中每一行人图片的相似度对目标域样本子集中的行人图片进行排序、分层以获得分层损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，利用优化好的行人重识别网络模型进行行人重识别，获得与待识别行人图像相同或相似的图像。该系统能够减少网络的迁移损失，提高行人重识别的精度。
-
公开(公告)号：CN113065516A
公开(公告)日：2021-07-02
申请号：CN202110436855.9
申请日：2021-04-22
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种基于样本分离的无监督行人重识别系统及方法，属于行人重识别技术领域，解决了现有行人重识别方法识别精度低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，用于获得分类损失函数和样本不变性损失函数，根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，根据优化好的行人重识别网络模型对待识别行人图片进行识别。该系统能够很好的区分目标域中正样本和负样本，从而降低网络精度损失，提高识别精度。
-
公开(公告)号：CN112541912A
公开(公告)日：2021-03-23
申请号：CN202011541385.4
申请日：2020-12-23
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种矿井突发灾害场景中显著性目标的快速检测方法及装置，属于计算机视觉技术领域，解决了现有的显著性目标检测方法的检测精度较差和速度较慢的问题。方法包括：获取关于矿井突发灾害场景的输入图像；构造Unet网络，将输入图像输入Unet网络，得到输入图像对应的分割映射图像；构造全卷积FCN网络，将输入图像输入全卷积FCN网络，得到输入图像对应的显著性映射图像；将输入图像对应的分割映射图像和输入图像对应的显著性映射图像融合，得到融合映射图像，并基于融合映射图像得到局部图；基于局部图获得最终的显著性目标。实现了矿井突发灾害场景中显著性目标的快速检测，提高了显著性目标检测的精度和速度。
-
-
-
-
-
-
-
-
-
Search Results
141
records
(took 0.027 seconds)
