【摘 要】
：
提出一种基于视觉显著性的车载单目相机自运动估计及前车尺度估计方法。首先,针对车载相机自运动估计,通过视觉显著性计算方法检测并去除含有噪声的单目图像序列中的运动目标,同时考虑图像的纹理区域和平滑区域,利用加权显著图保留有用特征点,进而对车载相机进行鲁棒的自运动估计。其次,将前车距离转化为前车尺度估计问题,通过描述子匹配与李代数中正则化的强度匹配相结合的方法最小化损失函数,通过设计视觉注意力机制选择有
论文部分内容阅读
提出一种基于视觉显著性的车载单目相机自运动估计及前车尺度估计方法。首先,针对车载相机自运动估计,通过视觉显著性计算方法检测并去除含有噪声的单目图像序列中的运动目标,同时考虑图像的纹理区域和平滑区域,利用加权显著图保留有用特征点,进而对车载相机进行鲁棒的自运动估计。其次,将前车距离转化为前车尺度估计问题,通过描述子匹配与李代数中正则化的强度匹配相结合的方法最小化损失函数,通过设计视觉注意力机制选择有纹理无遮挡的图像块,并对选定的图像块中的像素赋权以减轻被噪声破坏像素的影响,从而实现鲁棒、准确的尺度估计
其他文献
在教学过程中,教学设计应围绕Photoshop图像处理课程特征对行业及企业的先进性要素进行有效吸收展开,对于教学设计要及时进行优化处理,通过学生的及时反馈调整教师的教学计划,通过课程学习,积极探索其中蕴含的德育理念,引导学生进行有效吸收,在Photoshop图像处理课程教学中,弘扬社会价值观,从图像的处理过程中学习到知识,并将其转化为行动能力,从而建立自己的行动标准,帮助学生进步。
主要研究物联网技术在远程监控中的应用,包括构建远程监控系统,搭建数据处理平台,物联网技术的应用能够提高远程视频监控系统的实时性和有效性。系统通过传感器对系统终端设备的参数进行采集和管理,并实现了对多个监控终端的实时化、统一化管理。在物联网应用的基础上,构建了基于物联网的远程监控系统模型,对系统的设计目标进行了分析,对系统设计中采用的关键技术进行了介绍,从系统设计的实际需求出发,提出了基于物联网的远
电池模组极片焊点的检测与定位是电池模组拆解成功的第一步。基于工人肉眼的焊点检测误差较大且效率低下,基于深度学习模型的检测价格昂贵且计算代价极大。对此,提出了基于Yolov3的小样本智能电池模组焊点检测与定位方法。对样本图像进行灰度化及高斯模糊处理,采用Yolov3算法对样本的目标数据集进行特征提取训练,再调整训练的网络模型参数,由训练数据所得到的模型用于电池模组焊点检测。实验表明,使用Yolov3
近些年来物联网技术发展融入到各行各业之中,在智能农业系统中,在温室中安装智能检测设备,以智能平台进行辅助,在手机或者是计算机终端系统中进行显示,通过对温室中的数据采集、分析以及应用等实现温室环境的监控,对相应数据进行更改,以实现温室作物的标准化管理。
在电梯整机设计完成后的推广阶段,需要用到相关效果图。目前传统的效果图制作和应用流程是:二维图纸-三维模型-样梯制作-拍摄-后期处理-市场推广。该过程制作周期长且由于电梯往往安装在建筑物内,所以通常拍到的照片不能展现电梯全景。随着三维软件技术的不断发展,软件渲染模块日渐成熟。通过软件对电梯模型进行渲染即可得到十分逼真的效果图。一般过程为:三维模型-Solid WorksVisualize渲染-市场推
"植物生理学"课程教学团队在团队分工、知识点碎片化、课件和视频制作等方面取得了明显成效,然而该课程幕课还存在系统运行稳定性不够、测验题设计和录入失误、课程思政教育内容不足等问题。"植物生理学"课程教学团队通过优化网页和程序、完善题型分值设定、提高试题录入的科学性、增加课程实践内容、加强课程思政教育建设等措施有效解决了上述问题。改进后的幕课教学实践证明,学生学习体验明显改善,学生实践能力显著提高,"
计算机断层扫描是一种可重构患者身体横截面的非侵入式X射线诊断技术。它可以有效地提供有关器官结构的详细信息,并灵敏地检测出器官的病理变化。自20世纪70年代第一代计算机断层扫描被用于临床诊断以来,在该领域上的多项突破促成了现今超快速、低剂量的扫描技术,这种高检测效率和快速响应一定程度上归功于X射线检测器的发展。根据不同的工作原理,当前X射线探测器主要可分为间接和直接探测两种。此外,在过去二十年中,通
图像密集描述是指自动检测图像中的感兴趣区域(region of interest, ROI),并生成自然语言短语或句子来描述这些区域中的语义内容。然而,它存在三个主要难题:第一,图像中密集且高度重叠的ROI,使得难以精确定位到目标区域;第二,图像中一些视觉模糊的ROI,使得难以仅凭借外观来识别目标区域;第三,图像特征表示的深度对视觉识别是极其重要的。针对这三个难题,本文提出了一种端到端的密集描述模
伴随人工智能的浪潮,目标智能检测与识别技术取得了飞速的发展,新的算法和应用不断涌现并趋于成熟,其应用场景涵盖智能安防、交通、医疗、生活、军事、自动驾驶等重要领域。然而仍有大量的实际问题尚未解决,例如监控视频中行人检测和行人再识别中的目标遮挡问题、X-ray图像检测中的目标重叠问题、场景文字检测与识别问题、跨媒体感知问题、
近年来,基于自注意力机制的神经网络在计算机视觉任务中得到广泛的应用。随着智能交通系统的广泛应用,面对复杂多变的交通场景,车牌识别任务的难度不断提高,准确识别的需求更加迫切。因此提出一个基于自注意力的免矫正的车牌识别方法 T-LPR。首先对图像进行切片和序列化,并使用3D卷积对切片序列进行特征提取,从而得到图像的嵌入向量序列。然后将嵌入向量序列输入基于Transformer Encoder的编码器中