-
公开(公告)号:CN117079249A
公开(公告)日:2023-11-17
申请号:CN202311010528.2
申请日:2023-08-10
申请人: 深圳元戎启行科技有限公司 , 人工智能与数字经济广东省实验室(深圳)
IPC分类号: G06V20/58 , G06V10/774 , G06V10/98 , G06V10/44
摘要: 本发明公开了一种基于图表示域适应的目标检测模型训练方法,首先基于源域的数据集预训练目标检测模型,在源域中学习准确预测目标类别和边界框的能力,然后通过将特征图转换为基于图表示的节点群,采用对比分布损失和节点协方差对齐损失对节点进行精练和强化,能够解耦域特征以及类别的不变性特征,选择性地去除域风格的元素,提高目标检测模型的泛化能力。针对图中的异常节点,采用异常节点过滤损失对图进行优化,降低奇怪语义节点所占比例,提高训练后的目标检测模型的检测精度。使得训练后的目标检测模型具有良好鲁棒性和泛化性。
-
公开(公告)号:CN118393327A
公开(公告)日:2024-07-26
申请号:CN202410833127.5
申请日:2024-06-26
申请人: 人工智能与数字经济广东省实验室(深圳)
摘要: 本申请提供了一种元器件缺失检测方法、电子设备及可读存储介质,所述方法包括:对多个待检测电路板进行目标检测获得检测结果;根据各待检测电路板和各元器件的检测信息确定各元器件所在的电路板,获得各元器件的电路板信息;根据各元器件的电路板信息和检测信息确定各待检测电路板的元器件类别、元器件数量以及元器件位置;根据各待检测电路板上各元器件类别的元器件数量确定各元器件类别的未缺失数量;根据各元器件类别的未缺失数量确定缺失电路板和各缺失元器件类别的缺失数量;将基准电路板与各缺失电路板进行比对确定各缺失电路板上各缺失元器件的缺失位置。本申请能够无需使用模板与电路板比对,也可获知电路板的缺失情况,降低检测成本。
-
公开(公告)号:CN117853839A
公开(公告)日:2024-04-09
申请号:CN202311665327.6
申请日:2023-12-06
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: G06V10/774 , G06V10/40 , G06V10/74 , G06N3/006
摘要: 本申请提供了一种模型训练方法及装置。所述方法包括:获取各摄像设备采集的工作场景的第一图像,并提取各第一图像的第一语义信息;根据各第一图像和对应的第一语义信息、摄像设备的位姿信息,构建工作场景模型;从工作场景模型中获取多个指定视角的第二图像和对应的第二语义信息;针对各第二语义信息,确定第二语义信息与目标物体的文本特征之间的相似度,获得第一相似度信息;利用各第二图像、各第二语义信息和各第一相似度信息,训练动作预测模型,直至动作预测模型输出的针对指令的预测动作与专家动作之间的差异值小于预设阈值,获得已训练的动作预测模型。本申请能够提高模型的泛化能力,模型能够应用于不同的任务中。
-
公开(公告)号:CN117817657A
公开(公告)日:2024-04-05
申请号:CN202311705777.3
申请日:2023-12-12
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: B25J9/16
摘要: 本申请提供了一种对练机器人训练方法及装置。所述方法包括:将物体的状态和第一期望落点输入至第二预测模型,获得第二预测模型输出的第一击打角度和第一击打速度,并控制对练机器人沿着第一击打轨迹挥动,以在第一击打位置按照第一击打角度和第一击打速度击打物体;获取并存储物体的当前实际落点;在对练机器人工作预设时间后,获取优化数据;利用优化数据,训练第二预测模型,直至对练机器人击打后物体的落点与第一期望落点之间的差异值小于第一阈值,获得优化后第二预测模型。本申请在模仿学习基础上,持续利用物体状态和实际落点训练第二预测模型,使得优化后第二预测模型能够适应不同情况,将物体落入指定点,为用户提供良好的对练效果。
-
公开(公告)号:CN116734834A
公开(公告)日:2023-09-12
申请号:CN202310637010.5
申请日:2023-05-31
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: G01C21/00 , G06V10/26 , G06V10/774 , G06V10/40 , G06V10/75 , G06N3/04 , G06N3/08 , G01C21/20
摘要: 本申请适用于智能行驶技术领域,提供了一种应用于动态场景的定位建图方法、装置和智能设备,包括:获取目标图像;将目标图像输入至基于预设损失函数训练完成的多任务神经网络模型,获得特征点信息集与语义分割结果集,特征点信息集中包括提取的特征点的方向信息;基于语义分割结果集,对特征点信息集进行第一层离群点剔除,得到目标特征点信息集,第一层离群点剔除用于剔除目标图像中动态物体的特征点信息;基于方向信息,对目标特征点信息集中的特征点进行匹配,得到目标匹配特征对集;基于目标匹配特征对集进行相机位姿估计,并根据位姿估计的结果完成相机的定位及地图构建。本申请可减少定位漂移误差,提高动态场景下定位及建图的准确性。
-
公开(公告)号:CN118540184A
公开(公告)日:2024-08-23
申请号:CN202410613525.6
申请日:2024-05-16
申请人: 人工智能与数字经济广东省实验室(深圳)
摘要: 本申请适用于网络通信技术领域,提供了一种时间敏感网络中设备的控制方法,包括:获取TSN场景下的网络拓扑图;基于网络拓扑图获取流向网桥设备的所有已达数据流的特征,已达数据流为已到达网桥设备的数据流,特征包括数据发送周期,已达数据流包括关键流;根据所有关键流对应的数据发送周期计算超周期,其中,超周期为所有关键流对应的数据发送周期的最小公倍数;基于超周期计算至少两个数据发送端对应的流变量的取值;基于至少两个数据发送端对应的流变量的取值生成门控表;根据门控表控制网桥设备工作,通过该方法能够高效地生成门控表,以及能够精准地避免数据流之间发生调度冲突。
-
公开(公告)号:CN118474802A
公开(公告)日:2024-08-09
申请号:CN202410614627.X
申请日:2024-05-17
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: H04W28/24 , H04W72/543 , H04W72/1268 , H04W72/11
摘要: 本申请适用于网络通信技术领域,提供了一种数据处理方法,该数据处理方法应用于数据处理系统,数据处理系统融合了5G网络和TSN网络,其中,数据处理系统包括TSN AF模块、TSN网关、PCF模块、SMF模块以及UPF模块;数据处理方法包括:TSN AF模块获取TSN Qos参数;TSN AF模块将TSN Qos参数通过TSN网关发送给PCF模块;PCF模块基于TSN Qos参数获取5G Qos策略,基于TSN Qos参数获取5G Qos策略包括:将TSN Qos参数映射到5G Qos参数;SMF模块基于PCF模块获取5G Qos参数,通过N4接口发送给UPF模块;UPF模块根据5G Qos参数转发5G流。如此,能够提高处理数据流的灵活度,实现资源的合理调度。
-
公开(公告)号:CN118332081A
公开(公告)日:2024-07-12
申请号:CN202410398003.9
申请日:2024-04-02
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: G06F16/332 , G06F40/126 , G06F40/16
摘要: 本申请实施例适用于人工智能技术领域,提供了一种基于大语言模型的数据处理方法、系统及计算机设备,所述方法包括:根据待输入大语言模型的提问数据,检索所述大语言模型的输入文本;基于所述提问数据,对所述输入文本进行压缩,得到压缩文本;将所述提问数据和所述压缩文本输入到所述大语言模型中,得到所述大语言模型对所述提问数据的应答数据。通过上述方法,能够提高大语言模型输出数据的准确性。
-
公开(公告)号:CN118317005A
公开(公告)日:2024-07-09
申请号:CN202410504023.X
申请日:2024-04-24
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: H04L69/08 , H04L69/22 , H04W28/02 , H04L47/2491 , H04L47/2425
摘要: 本申请适用于通信技术领域,提供了一种报文转换方法、网络设备及存储介质,该方法包括:接收非5G网络报文;提取非5G网络报文中的网络地址;确定非5G网络报文的5G服务质量标识5QI等级和5QI参数;生成第一5G网络报文,第一5G网络报文的报文头包括网络地址、5QI等级和5QI参数,第一5G网络报文的预设字段值包括非5G网络报文;将第一5G网络报文发送至5G网络中。通过上述方法,能够实现5G报文和TSN报文之间的相互转换,解决不同网络的报文格式不同导致的报文无法识别的问题,为5G网络和TSN融合网络的确定性传输提供保障。
-
公开(公告)号:CN117218235A
公开(公告)日:2023-12-12
申请号:CN202311095996.4
申请日:2023-08-28
申请人: 人工智能与数字经济广东省实验室(深圳)
IPC分类号: G06T11/20 , G06V40/10 , G06V10/82 , G06N3/0475 , G06N3/094
摘要: 本申请适用于信息处理技术领域,提供了一种人物图像生成方法、装置、智能设备和存储介质,所述方法包括:构建包括生成器、第一判别器和第二判别器的生成对抗网络模型,获取人物信息样本,将人物信息样本输入至生成器,得到初始生成样本图像;利用初始生成样本图像与人物信息样本训练第一判别器;利用初始生成样本图像、人物信息样本与第一判别器的输出结果,训练第二判别器;当第一判别器与第二判别器的输出结果满足预设条件时训练完成,得到目标目生成对抗网络模型,获取生成目标人物图像所需的初始人物信息;将初始人物信息输入至训练完成的目标生成对抗网络模型,自动生成目标人物图像。采用本方法可有效减少人工依赖,保障生成图像的质量。
-
-
-
-
-
-
-
-
-