CN112434637A - 基于量子计算线路和LiDAR点云分类的物体识别方法 - Google Patents
基于量子计算线路和LiDAR点云分类的物体识别方法 Download PDFInfo
- Publication number
- CN112434637A CN112434637A CN202011403828.3A CN202011403828A CN112434637A CN 112434637 A CN112434637 A CN 112434637A CN 202011403828 A CN202011403828 A CN 202011403828A CN 112434637 A CN112434637 A CN 112434637A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- quantum
- classification
- point
- lidar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 239000002096 quantum dot Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000013139 quantization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100010166 Mus musculus Dok3 gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种基于量子计算线路和LiDAR点云分类的物体识别方法，采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态后输入PointNet机器学习模型，将点云网络中的逐点运算抽象为生成隐式场，最后对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，可得到分类结果，实现物体识别。本发明通过对三维机器视觉中PointNet模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。
Description
技术领域
本发明涉及的是一种无人驾驶领域的技术，具体是一种基于量子计算线路和LiDAR点云分类的物体识别方法，用于无人驾驶小数据量情况下快速判别待扫描物体的类型。
背景技术
现有的对象分类的技术中，对于LiDAR传感器采集到的点云通常基于PointNet深度学习模型进行处理，其主要问题在于：该任务具有采集到的点云中点数量较多、实时性要求较高的特点，使用经典方法往往无法完成高效率的计算。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于量子计算线路和LiDAR点云分类的物体识别方法，通过对三维机器视觉中PointNet(点云网络)模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。
本发明是通过以下技术方案实现的：
本发明涉及一种基于量子计算线路和LiDAR点云分类的物体识别方法，包括以下步骤：
步骤1)采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态。
所述的转化具体包括：
1.1)将点云进行归一化处理，将点坐标最值缩放至[-1,1]区间。
1.2)对于归一化后的某个点坐标(x1,x2,x3)，进行特征映射：构造对应的量子门Z(Rx(xi))，其中：i取遍1至3的自然数，在量子机器上可制备初态|000…0>，将其中给定的三个量子比特分别通过x1,x2,x3对应的量子门即完成了量子态的准备。
所述的归一化过程包括但不限于将点坐标均值归零、方差归一等方法。
步骤2)将量子态输入PointNet机器学习模型，即量子隐式场学习器(QIFL，Quantum Implicit Field Learner)中，并测量得到各量子态的概率分布，即将点云网络中的逐点运算抽象为生成隐式场。
所述的隐式场是指：通过空间函数表示的三维机器视觉场。
所述的量子隐式场学习器使用量子张量网络(张量网络在希尔伯特空间时的应用)对生成隐式场的过程进行层次化分解，即采用张量网络分解为可调参数单量子比特门构成的层次和固定全局纠缠结构层次。实现方式可采用但不限于量子线路或伊辛机。
优选地，将若干已知场景的物体及其类别标注作为训练集，根据Nesterov加速(Nesterov Y.E.A method for solving the convex programming problem withconvergence rate o(1/k^2).In Dokl.akad.nauk Sssr,volume 269,pages 543–547,1983)的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，将梯度投影到某个随机产生的标准正交基底上，对其作有限差分近似，并使用对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组，具体步骤包括：
①对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组，随后产生k个随机的向量。
②使用施密特正交化算法对上述基底进行标准正交化。
③在当前参数下评估目标损失函数的值，并在上述基底上进行有限差分投影，得到梯度的估计值。
所述的训练，优选采用Nesterov加速梯度附加动量截断作为更新规则。
步骤3)对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，可得到分类结果，实现物体识别。
所述的带整流最大值池化操作为：对于整个点云取每个量子态上所得概率最大值得到池化结果，随后进行整流。
所述的整流是指：对阈值以下的概率测量值作平方后，再针对上述池化结果作一次全局的归一化。
所述的阈值可随所需噪声容限和分类判别的敏感性要求进行调整，噪声容限越大、分类判别敏感性要求越低，设置的阈值越高。通常情况下可使用默认值0.15。
所述的神经网络分类器为：由一层或多层卷积层和全连接层构成的多层感知机，其接受上述的点云全局特征向量，预测物体属于各个目标类别的概率。
技术效果
与现有技术相比，本发明通过量子线路计算可以大幅提高处理LiDAR点云的效率，能够以48倍更少的算术操作达到了相同的分类准确率。
附图说明
图1为PointNet与量子PointNet的结构对比示意图；
图2为量子PointNet的模型架构示意图；
图3为量子隐式场学习器的实施例示意图；
图4为实施例在训练过程中，训练集和测试集上准确率的趋势图线。
具体实施方式
如图2所示，为本实施例涉及一种基于8量子比特量子计算机的点云分类模型，其使用量子计算资源大大加速了点云的分类过程。
本实施例涉及一种基于量子计算线路和LiDAR点云分类的物体识别方法，包括以下步骤：
步骤1)将无人驾驶车载LiDAR传感器采集到的点坐标组成的点云网络，通过特征映射转化为量子态。
如图1和图3所示，步骤2)将量子态输入PointNet机器学习模型，即量子隐式场学习器中，并测量得到各量子态的概率分布，即将点云网络中的逐点运算抽象为生成隐式场。
本实施例中，所述的量子隐式场学习器采用基于超导的量子线路对生成隐式场的过程进行层次化分解，得到可调参数单量子比特门构成的层次和固定全局纠缠结构层次。
所述的可调参数单量子比特门构成的层次，在量子线路中由一系列参数化的U3门实现，
其中：λ为量子态的相移，φ和θ分别为绕y与x轴的旋转角。
所述的固定全局纠缠结构层次，在量子线路中由一个量子纠缠映射实现。所述的量子纠缠映射由首尾相接的CNOT门构成，其依次作用于相邻的两个量子比特上，对量子态的操作由矩阵
确定。
优选地，将若干已知场景的物体及其类别标注作为训练集，在训练集上根据Nesterov加速的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，即采用交叉熵作为损失函数，使用前述Nesterov加速的投影梯度估计方法进行训练。
步骤3)对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并进行分类预测操作。
所述的整流操作是指：
其中：RecN(p)＝(Rec(p)-mean(Rec(p)))/std(Rec(p))，mean和std分别表示一个点云中得到采样的均值和方差。
所述的分类预测操作是指：将全局特征向量输入经典线性分类器，得到具体工业结果为：待探测物体的类型。
与现有技术相比，本实施例仅使用比PointNet少48倍的运算量，达到了与PointNet相同的分类准确率；通过量子技术实现的PointNet在ModelNet3基准任务上达到与经典PointNet相同的分类准确率，同时实现了48倍的量子加速效果；在IBM Valencia上运行的小规模网络每个点仅需约20次测量就可达到饱和预测准确率，说明相比现有其他量子算法(通常需要数百或数千次测量才能到达饱和准确率)而言具有极好的抗噪声能力。
在扫描所得的汽车、花瓶与长椅点云上，若以2000个以上点云作为训练集，应用本实施例即可达到约99％的测试准确率。训练过程准确率随迭代次数的趋势图线见图4。
与现有技术相比，本方法能够显著减少算术操作数量并快速实现对象的准确识别的同时，引入整流操作和层次化分解，对噪声具有较好的抗性。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于量子计算线路和LiDAR点云分类的物体识别方法，其特征在于，采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态后输入量子隐式场学习器，将点云网络中的逐点运算抽象为生成隐式场，最后对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，得到分类结果，实现物体识别。
2.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的转化具体包括：
1.1)将点云进行归一化处理，将点坐标最值缩放至[-1,1]区间；
1.2)对于归一化后的某个点坐标(x1,x2,x3)，进行特征映射：构造对应的量子门Z(Rx(xi))，其中：i取遍1至3的自然数，在量子机器上可制备初态|000…0>，将其中给定的三个量子比特分别通过x1,x2,x3对应的量子门即完成了量子态的准备。
3.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的隐式场是指：通过空间函数表示的三维机器视觉场。
4.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的量子隐式场学习器使用量子张量网络对生成隐式场的过程进行层次化分解，即采用张量网络分解为可调参数单量子比特门构成的层次和固定全局纠缠结构层次；实现方式可采用但不限于量子线路或伊辛机。
5.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的带整流最大值池化操作为：对于整个点云取每个量子态上所得概率最大值得到池化结果，随后进行整流。
6.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的整流是指：对阈值以下的概率测量值作平方后，再针对上述池化结果作一次全局的归一化。
7.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的神经网络分类器为：由一层或多层卷积层和全连接层构成的多层感知机，其接受上述的点云全局特征向量，预测物体属于各个目标类别的概率。
8.根据权利要求1或4所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，将若干已知场景的物体及其类别标注作为训练集，根据Nesterov加速的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，将梯度投影到某个随机产生的标准正交基底上，对其作有限差分近似，并使用对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组。
9.根据权利要求8所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的训练，具体步骤包括：
①对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组，随后产生k个随机的向量；
②使用施密特正交化算法对上述基底进行标准正交化；
③在当前参数下评估目标损失函数的值，并在上述基底上进行有限差分投影，得到梯度的估计值。
10.根据权利要求8所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的训练，采用Nesterov加速梯度附加动量截断作为更新规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011403828.3A CN112434637B (zh) | 2020-12-04 | 2020-12-04 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011403828.3A CN112434637B (zh) | 2020-12-04 | 2020-12-04 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112434637A true CN112434637A (zh) | 2021-03-02 |
| CN112434637B CN112434637B (zh) | 2021-07-16 |
Family
ID=74691174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011403828.3A Active CN112434637B (zh) | 2020-12-04 | 2020-12-04 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434637B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
| CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
| CN114358295A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的二分类方法及相关装置 |
| CN114764620A (zh) * | 2021-12-31 | 2022-07-19 | 合肥本源量子计算科技有限责任公司 | 一种量子卷积操作器 |
| WO2024095380A1 (ja) * | 2022-11-02 | 2024-05-10 | 三菱電機株式会社 | 点群識別装置、学習装置、点群識別方法、および、学習方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101465006A (zh) * | 2009-01-08 | 2009-06-24 | 清华大学 | 由点云构建网格面的方法 |
| CN104091321A (zh) * | 2014-04-14 | 2014-10-08 | 北京师范大学 | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 |
| CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
| CN108919281A (zh) * | 2018-04-10 | 2018-11-30 | 中国科学院上海技术物理研究所 | 基于波长时间量子态随机交织光脉冲序列的量子激光雷达 |
| CN109945844A (zh) * | 2014-05-05 | 2019-06-28 | 赫克斯冈技术中心 | 测量子系统和测量系统 |
| CN110157407A (zh) * | 2019-05-14 | 2019-08-23 | 上海交通大学 | 一种InP量子点及其制备方法 |
| US20190302568A1 (en) * | 2017-02-01 | 2019-10-03 | Jeffrey Albelo | Apparatus and Method for Beam Scanner |
| CN111007529A (zh) * | 2019-11-28 | 2020-04-14 | 武汉大学 | 一种全链路的光子计数激光测高仪点云的生成方法 |
| CN111694014A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院西安光学精密机械研究所 | 一种基于点云模型的激光非视域三维成像场景建模方法 |
| CN111707385A (zh) * | 2020-06-19 | 2020-09-25 | 上海交通大学 | 基于时间飞行探测技术实现时间戳玻色采样量子计算系统 |
-
2020
- 2020-12-04 CN CN202011403828.3A patent/CN112434637B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101465006A (zh) * | 2009-01-08 | 2009-06-24 | 清华大学 | 由点云构建网格面的方法 |
| CN104091321A (zh) * | 2014-04-14 | 2014-10-08 | 北京师范大学 | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 |
| CN109945844A (zh) * | 2014-05-05 | 2019-06-28 | 赫克斯冈技术中心 | 测量子系统和测量系统 |
| CN106199557A (zh) * | 2016-06-24 | 2016-12-07 | 南京林业大学 | 一种机载激光雷达数据植被提取方法 |
| US20190302568A1 (en) * | 2017-02-01 | 2019-10-03 | Jeffrey Albelo | Apparatus and Method for Beam Scanner |
| CN108919281A (zh) * | 2018-04-10 | 2018-11-30 | 中国科学院上海技术物理研究所 | 基于波长时间量子态随机交织光脉冲序列的量子激光雷达 |
| CN110157407A (zh) * | 2019-05-14 | 2019-08-23 | 上海交通大学 | 一种InP量子点及其制备方法 |
| CN111007529A (zh) * | 2019-11-28 | 2020-04-14 | 武汉大学 | 一种全链路的光子计数激光测高仪点云的生成方法 |
| CN111694014A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院西安光学精密机械研究所 | 一种基于点云模型的激光非视域三维成像场景建模方法 |
| CN111707385A (zh) * | 2020-06-19 | 2020-09-25 | 上海交通大学 | 基于时间飞行探测技术实现时间戳玻色采样量子计算系统 |
Non-Patent Citations (4)
| Title |
|---|
| NAN JIANG等: "Quantum Point Cloud and its Compression", 《INTERNATIONAL JOURNAL OF THEORETICAL PHYSICS》 * |
| RAOUF DRIDI等: "Homology computation of large point clouds using quantum annealing", 《ARXIV》 * |
| 唐豪: "可扩展的量子加速算法演示——基于三维集成芯片的专用光量子计算原型机首次实现", 《物理》 * |
| 宋志勇等: "基于LIDAR点云分类进行建筑物自动提取的研究", 《电力勘测设计》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
| CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
| CN114764620A (zh) * | 2021-12-31 | 2022-07-19 | 合肥本源量子计算科技有限责任公司 | 一种量子卷积操作器 |
| CN114764620B (zh) * | 2021-12-31 | 2024-04-09 | 本源量子计算科技（合肥）股份有限公司 | 一种量子卷积操作器 |
| CN114358295A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的二分类方法及相关装置 |
| CN114358295B (zh) * | 2022-03-22 | 2022-06-21 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的二分类方法及相关装置 |
| WO2024095380A1 (ja) * | 2022-11-02 | 2024-05-10 | 三菱電機株式会社 | 点群識別装置、学習装置、点群識別方法、および、学習方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112434637B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112434637B (zh) | 基于量子计算线路和LiDAR点云分类的物体识别方法 | |
| Wang | Quantum algorithm for linear regression | |
| Zhi et al. | LightNet: A Lightweight 3D Convolutional Neural Network for Real-Time 3D Object Recognition. | |
| CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
| CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
| CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
| CN105809672B (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
| CN110399884B (zh) | 一种特征融合自适应锚框模型车辆检测方法 | |
| CN111323228B (zh) | 一种基于时间序列映射与卷积神经网络的故障诊断方法 | |
| Burri et al. | Exploring the effectiveness of optimized convolutional neural network in transfer learning for image classification: A practical approach | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN112085789A (zh) | 位姿估计方法、装置、设备及介质 | |
| CN114299150A (zh) | 一种深度6d位姿估计网络模型及工件位姿估计方法 | |
| CN114821251B (zh) | 一种点云上采样网络的确定方法及确定装置 | |
| CN116310466A (zh) | 基于局部无关区域筛选图神经网络的小样本图像分类方法 | |
| CN110619311A (zh) | 一种基于eemd-ica-svm的数据分类方法 | |
| CN112288084A (zh) | 一种基于特征图通道重要性程度的深度学习目标检测网络压缩方法 | |
| CN109902720B (zh) | 基于子空间分解进行深度特征估计的图像分类识别方法 | |
| CN115293639A (zh) | 一种基于隐马尔可夫模型的战场态势研判方法 | |
| Bergner et al. | Deformable structural models | |
| CN110555483B (zh) | 基于fw-dcgan特征生成的极化sar分类方法 | |
| CN114187569A (zh) | 一种皮尔森系数矩阵与注意力融合的实时目标检测方法 | |
| Kuusela et al. | A gradient-based algorithm competitive with variational Bayesian EM for mixture of Gaussians | |
| KR102614266B1 (ko) | 웨이퍼 검사 방법, 및 이를 이용한 반도체 장치 제조 방법 | |
| TWI613545B (zh) | 繪圖處理程序之分析方法與分析系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221102 Address after: 201100 Room 110 and 111, Building 3, No. 600, Jianchuan Road, Minhang District, Shanghai Patentee after: Shanghai Jiaotong University Intellectual Property Management Co.,Ltd. Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231031 Address after: 201210 3rd floor, building 1, No.400, Fangchun Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: Shanghai Turing intelligent computing Quantum Technology Co.,Ltd. Address before: 201100 Room 110 and 111, Building 3, No. 600, Jianchuan Road, Minhang District, Shanghai Patentee before: Shanghai Jiaotong University Intellectual Property Management Co.,Ltd. |