-
公开(公告)号：CN113569734B
公开(公告)日：2023-05-05
申请号：CN202110856064.1
申请日：2021-07-28
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06V20/54 , G06V10/764 , G06V10/44 , G06V10/762 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于特征重校准的图像识别与分类方法及装置。其中，该方法包括：获取车辆图像数据；将所述车辆图像数据进行识别和分类，得到训练数据集；通过所述训练数据集对预设网络进行训练，得到训练结果；根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果。本发明解决了现有技术中利用卷积神经网络来解决图像识别问题，依赖于人工提取特征的传统图像处理算法效率低下，由于很多匝道口拍摄的图片中存在较多边缘残缺位置，在利用FasterR‑CNN网络训练时，有残缺的车辆图片大多无法正确识别，且存在将背景区域误判为车辆的情况，在训练集上查准率较低的技术问题。
-
公开(公告)号：CN114386531B
公开(公告)日：2023-02-14
申请号：CN202210085821.4
申请日：2022-01-25
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06V10/82 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/08
摘要： 本发明是关于一种基于双级注意力的图像识别方法和装置，其中，方法包括：获取原始图像和对应的二值目标定位图，并对所述原始图像进行预处理，将所述二值目标定位图缩放为预设尺寸；从预处理后的原始图像中提取抽象特征图；根据所述二值目标定位图和抽象特征，计算得到物体特征图和背景特征图；使用空间注意力机制处理所述物体特征图，以得到新的物体特征图；使用通道注意力机制处理所述新的物体特征图和背景特征图融合后的总特征图，以得到新的总特征图；使用全连接层计算所述新的总特征图的特征映射向量，并通过分类器确定分类结果。通过该技术方案，提高网络训练效率，提升预测的准确率。
-
公开(公告)号：CN114239753B
公开(公告)日：2022-07-22
申请号：CN202210164555.4
申请日：2022-02-23
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06K9/62 , G06V10/40 , G06V10/764 , G06V10/774
摘要： 本发明是关于一种可迁移的图像识别方法及装置，涉及图像识别技术领域，方法包括：确定输入图像识别模型的图像类型；当输入的图像为有标签的源域图像时，使有标签的源域图像通过特征提取器和类别预测器，并确定交叉熵损失；当输入的图像为无标签的目标域图像时，使目标域图像通过特征提取器和域判别器，同时通过特征提取器和类别预测器；根据域判别器的输出结果和目标域图像与每一个源域图像的中心点的相似度确定对抗损失；根据类别预测器的输出结果确定信息最大化损失；根据交叉熵损失、对抗损失和信息最大化损失优化图像识别模型。通过该技术方案，可以有效地提高目标图像识别的性能，并有效减少对于目标图像识别的标注，大量减少人力物力。
-
公开(公告)号：CN114139617A
公开(公告)日：2022-03-04
申请号：CN202111400914.3
申请日：2021-11-24
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于深度聚类的新类目标识别方法及装置。其中，该方法包括：通过第一标记样本，获取监督模型，其中，所述监督模型包括：特征提取器、分类器；根据所述特征提取器提取所述第一标记样本，得到样本特征；通过所述样本特征对无标记样本进行匹配，并根据匹配结果对无标记样本进行标记，得到第二标记样本；通过所述第二标记样本训练分类识别模型。本发明解决了在现有技术中把新类样本看成一个类是不合理的，不应该只是把所有的新类样本和已知类样本分开，另外利用置信度来挑选新类样本时，挑选的并不准确，因为深度网络既有很强的拟合能力，对于新类样本也会输出很高的置信度，导致使用置信度阈值不能很好的区别出新类样本的技术问题。
-
公开(公告)号：CN113435546B
公开(公告)日：2021-12-24
申请号：CN202110984978.6
申请日：2021-08-26
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于区分置信度水平的可迁移图像识别方法及系统，其首先采用源域数据训练得到源域预训练模型，利用源域模型训练得到的参数作为目标域模型的特征提取参数和分类参数，使目标域模型基于源域模型的训练参数从目标域数据中选出伪标签可信样本，并利用选出的可信样本为不可信样本赋予伪标签和权重，有效地降低了当前所有目标域图像伪标签的不确定性；最后通过带有伪标签的目标域数据和源域数据一起训练优化目标域模型，使最终得到的目标域模型的目标图像识别性能得到了极大提高，能够进行快速的迁移和有效的图像识别工作；并有效减少对于目标图像识别的标注，大量减少人力物力。
-
公开(公告)号：CN113486956A
公开(公告)日：2021-10-08
申请号：CN202110767088.X
申请日：2021-07-07
申请人： 山东力聚机器人科技股份有限公司
摘要： 本发明公开了一种目标分割系统及其训练方法、目标分割方法及设备。该系统包括：语义感知网络，采用全卷积网络形式，包括卷积模块、池化模块和正则化模块，语义感知网络设置为提取图像的语义特征图；纹理感知网络，采用无池化的网络形式，包括串行排列的空洞卷积层、特征收缩层、特征扩展层和第一卷积层，纹理感知网络设置为提取图像的纹理特征图；特征融合层，设置为对所述语义特征图和所述纹理特征图进行拼接和融合，得到所述图像的目标分割图。本发明提出了一种双分支多尺度特征融合模型，提高了自然图像中多尺度目标分割的准确性和鲁棒性。
-
公开(公告)号：CN113435509A
公开(公告)日：2021-09-24
申请号：CN202110720563.8
申请日：2021-06-28
申请人： 山东力聚机器人科技股份有限公司
摘要： 本发明公开了一种基于元学习的小样本场景分类识别方法及系统，其首先训练得到预训练GAN模型；然后将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中高置信度图像数据加入到支持集中；最后根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，得到查询集样本的类别概率；本发明针对小样本的分类环境，使用元学习方法来进行模型训练，从而避免过拟合问题；同时引入GAN模型的生成模块和与之对应的置信度模块，在生成伪样本时，筛选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，实现样本的数据增强。
-
公开(公告)号：CN112363189A
公开(公告)日：2021-02-12
申请号：CN202011248996.X
申请日：2020-11-10
申请人： 山东力聚机器人科技股份有限公司
发明人： 赵越
摘要： 本发明涉及智能机器人领域，且公开了一种基于多个机器人差分定位组网的定位方法，包括差分GPS组网虚拟参考站构建—差分信号数据链构建—坐标转换—数据处理—实际测试。该一种基于电学特性的判断电子元器件可用性的方法，通过差分GPS组网虚拟参考站可以扩大机器人的活动区域，通过系统控制中心可以使得各机器人和固定基准站同步进行GPS静态定位，解决了由于基线长度增加导致定位精度下降的问题，机器人可以和参考站之间形成超短基线的差分GPS定位，实时性更高，通过对观测数据进行加权融合，并通过最小二乘估计确定机器人的位置，消除GPS数据中的粗差，可以提高对机器人的定位精度。
-
公开(公告)号：CN114882220B
公开(公告)日：2023-02-28
申请号：CN202210548444.3
申请日：2022-05-20
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06V10/26 , G06V10/32 , G06V10/77 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/088
摘要： 本发明公开了一种基于域自适应先验知识引导生成对抗网络的图像生成方法及系统，该方法包括：数据集准备、数据集预处理、训练源域网络模型中的源域生成器、训练目标域网络模型中的目标域生成器、图像增广、训练源域网络模型中的源域判决器和目标域网络模型中的目标域判决器。本发明提出的GAN中，生成器包括源域分支和目标域分支。源域分支用于学习大量与目标域相似数据的内容信息，利用BN层的仿射参数迁移和域混合技术，将源域的知识迁移到目标域中，解决了目标域数据有限的问题。为了进一步提升生成图像的质量，通过在目标域分支中引入空间自适应归一化模块，在目标域图像生成过程中引入主要目标的先验知识，提升了生成图像中目标的准确性。
-
公开(公告)号：CN114239753A
公开(公告)日：2022-03-25
申请号：CN202210164555.4
申请日：2022-02-23
申请人： 山东力聚机器人科技股份有限公司
IPC分类号： G06K9/62 , G06V10/40 , G06V10/764 , G06V10/774
摘要： 本发明是关于一种可迁移的图像识别方法及装置，涉及图像识别技术领域，方法包括：确定输入图像识别模型的图像类型；当输入的图像为有标签的源域图像时，使有标签的源域图像通过特征提取器和类别预测器，并确定交叉熵损失；当输入的图像为无标签的目标域图像时，使目标域图像通过特征提取器和域判别器，同时通过特征提取器和类别预测器；根据域判别器的输出结果和目标域图像与每一个源域图像的中心点的相似度确定对抗损失；根据类别预测器的输出结果确定信息最大化损失；根据交叉熵损失、对抗损失和信息最大化损失优化图像识别模型。通过该技术方案，可以有效地提高目标图像识别的性能，并有效减少对于目标图像识别的标注，大量减少人力物力。
-
-
-
-
-
-
-
-
-
搜索结果
52 条记录 (耗时 0.088 秒)