-
-
公开(公告)号：CN113811886B
公开(公告)日：2024-03-19
申请号：CN202080035114.3
申请日：2020-03-10
申请人： 辉达公司
发明人： S·M·萨贾德·穆罕默德阿巴迪 , B·罗德里格斯·赫尔瓦斯 , 窦航 , I·特伦金 , D·尼斯特 , M·帕克 , N·茨维耶蒂奇 , J·权 , T·彭
IPC分类号： G06V20/58 , G06V10/25 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N20/00
摘要： 在各个示例中，可以利用来自车辆的传感器的实况感知来实时或近实时地对车辆的环境中的路口进行检测和分类。例如，深度神经网络(DNN)可被训练成计算各个输出，诸如路口的边界框坐标、对应于边界框的路口覆盖图、路口属性、到路口的距离和/或与路口相关联的距离覆盖图。可以对输出进行解码和/或后处理，以确定检测到的路口的最终位置、到其的距离和/或其属性。
-
公开(公告)号：CN113811886A
公开(公告)日：2021-12-17
申请号：CN202080035114.3
申请日：2020-03-10
申请人： 辉达公司
发明人： S·M·萨贾德·穆罕默德阿巴迪 , B·罗德里格斯·赫尔瓦斯 , 窦航 , I·特伦金 , D·尼斯特 , M·帕克 , N·茨维耶蒂奇 , J·权 , T·彭
摘要： 在各个示例中，可以利用来自车辆的传感器的实况感知来实时或近实时地对车辆的环境中的路口进行检测和分类。例如，深度神经网络(DNN)可被训练成计算各个输出，诸如路口的边界框坐标、对应于边界框的路口覆盖图、路口属性、到路口的距离和/或与路口相关联的距离覆盖图。可以对输出进行解码和/或后处理，以确定检测到的路口的最终位置、到其的距离和/或其属性。
-
公开(公告)号：CN114631117A
公开(公告)日：2022-06-14
申请号：CN202180005884.8
申请日：2021-06-21
申请人： 辉达公司
IPC分类号： G06T7/70 , G06V20/59 , G06V10/80 , G06V10/82 , B60W60/00 , G01S13/86 , G01S13/931 , G01S17/931 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/292 , G06T7/593 , G01S15/931
摘要： 在各个示例中，可以部署多传感器融合机器学习模型——例如深度神经网络(DNN)——来融合来自多个单独机器学习模型的数据。因此，多传感器融合网络可以使用来自多个机器学习模型的输出作为输入来生成融合输出，该融合输出表示来自提供机器学习模型的每个传感器的视场或感觉场的数据，同时考虑学习的源传感器的各个视场的边界或重叠区域之间的关联。通过这种方式，融合的输出可能不太可能包括与环境中的对象或特征有关的重复、不准确或噪声数据，因为可以训练融合网络来解释出现在不同输入表示中的相同对象的多个实例。
-
公开(公告)号：CN114429168A
公开(公告)日：2022-05-03
申请号：CN202111199069.8
申请日：2021-10-14
申请人： 辉达公司
摘要： 公开了使用合成数据的模拟训练，具体地，本文呈现的方法提供生成合成数据以强化数据集以用于经由模拟学习来训练网络。在至少一个实施例中，对系统进行评估以识别失败情况，诸如可以对应于假阳性和假阴性检测。然后，可以生成模拟这些失败情况的附加合成数据并利用其来提供更丰富的数据集。然后，可以利用原始训练数据和附加合成数据来训练或重新训练网络或模型。在一个或更多个实施例中，可以重复这些步骤，直到评估度量收敛，其中，生成与每个训练传递的失败情况相对应的附加合成训练数据。
-
公开(公告)号：CN113632095A
公开(公告)日：2021-11-09
申请号：CN202080021666.9
申请日：2020-03-16
申请人： 辉达公司
摘要： 神经网络可用于确定倾斜多边形的角点(例如，作为锚框角点的位移值)，其准确地描绘了图像中定义停车位的区域。此外，神经网络可以输出预测锚框的角点对应于停车位入口的可能性的置信值。置信值可用于选择锚框和/或倾斜多边形的角点的子集，以便定义停车位的入口。使用CNN预测的倾斜多边形的角点与停车位的地面实况角点之间的最小聚合距离可以用于简化关于是否应将锚框用作训练的正样本的确定。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.092 秒)
