【摘 要】
：
针对动态物体影响传感器进行机器人位姿估计的问题，提出了一种基于动态特征剔除点云与图像融合的位姿估计方法。首先，YOLOv4和PointRCNN分别被用于识别图像和点云中的潜在运动目标并提取候选框。其次，在视觉定位方面，双目视觉与稀疏光流被用于路标点的构建与追踪，并根据候选框剔除动态特征点，随后构建重投影误差函数，通过基于RANSAC剔除的非线性优化方法求解相机位姿。激光定位方面，提取前后帧的直线与
论文部分内容阅读
针对动态物体影响传感器进行机器人位姿估计的问题，提出了一种基于动态特征剔除点云与图像融合的位姿估计方法。首先，YOLOv4和PointRCNN分别被用于识别图像和点云中的潜在运动目标并提取候选框。其次，在视觉定位方面，双目视觉与稀疏光流被用于路标点的构建与追踪，并根据候选框剔除动态特征点，随后构建重投影误差函数，通过基于RANSAC剔除的非线性优化方法求解相机位姿。激光定位方面，提取前后帧的直线与平面特征点并根据候选框进行筛选，基于特征点云到直线或平面的距离构建误差函数，进而求解激光雷达位姿。为使系
其他文献
提出一种基于三维卷积神经网络对肺部计算机断层扫描图像(CT)进行肺结节自动探测及定位的方法。基于开源数据集LUNA16开展研究,对数据进行像素归一化、坐标转换等预处理,对正样本使用随机平移、旋转和翻转的方式进行扩充,对负样本进行随机采样。搭建了三维卷积神经网络并在训练过程中调整网络参数,直到得到性能最佳的网络。此外还设计了模型在肺部的三维空间中标记肺结节的方法。经测试,模型的敏感性为93.03%,
高频电气数据是提高电网态势感知准确度、监控水平和辅助服务质量等的数据基础之一，然而，传统重建算法难以实现高精度的数据重建。因此，文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像，实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构，提高生成器的特征学习能力。此外，生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数
海面场景偏振特性研究对于红外偏振目标检测具有重要意义，海面建模是进行海面偏振仿真研究的关键环节。本文分析了海浪谱模型和空间采样点数对海面建模的影响，建立了将海浪谱的高频分量以指数形式叠加到低频分量的修正方法，并采用RadTherm软件结合偏振度计算模型对比研究了本文方法与传统方法模拟生成海面的长波红外偏振特性，仿真结果表明：该修正方法可以在低空间采样率下有效提高模拟生成海面的高度分布、微面元斜率分
人脸表情识别是神经网络应用于模式识别上一项极具挑战性的任务，而表情识别过程中特征提取尤为重要。因此，本文提出一种注意力拆分卷积残差网络来增强特征表现。该网络以ResNet18为骨干网络，用提出的CASCBlock(Coordinate Attention Split Convolution Block)替换ResNet18中的basic block。CASCBlock中首先使用两个拆分卷积将特征在
随着医学影像的快速升级和人工智能的飞速发展，智慧医疗已成为医学研究领域的一大热点。超声影像技术在临床诊断中有着广泛应用，但大多数血管提取算法为手动或半自动，提取结果有很强的主观性和易错性。基于此，本研究从颈动脉本身特性出发，采用多尺度Hessian协同滤波方法进行预处理，随后结合医学先验知识提取血管感兴趣区域（Regionof Interest,ROI），设计一种遍历追踪搜索算法来检测血管，借助像
!":针对目前全天空成像仪云图图像特征提取方法繁琐的问题，提出一种结合双线密集结构和梯度信息的云种分类模型-双线程梯度卷积神经网络(Dual-path Gradient Convolutional Neural Network,DGNet)-以优化网络对云图特征学习能力。以双线程并行的密集模块搭建分类模型，同时融入梯度算法于特征图中，构建一种结合双线密集结构和梯度信息的云种分类模型。实验表明，本框
针对运载火箭智能化设计对近似模型计算效率及精度提出的更高要求，提出快速交叉验证改进的RBF近似建模方法。径向基函数(Radial Basis Function, RBF)是非线性多峰耗时模型近似建模的重要方法之一，其基函数形状参数的合理确定可大幅提升RBF近似模型预测精度。针对现有RBF形状参数确定中待求变量多和计算复杂等问题，提出基于样本局部密度的形状参数表征方法。将多个形状参数的复杂域优化问题
种子品质的优劣对于农牧业生产、经济与遗传资源有效利用、生物多样性保护以及植物群落恢复与重建具有重要的作用。种子老化是其在贮藏过程中普遍存在的一种生理现象，是随着种子贮藏时间延长而发生和发展的自然不可逆过程，不仅关系到后续种、苗生长与产量、品质等问题，还对植物种质资源的保存、利用和开发等均具有重要影响。种子老化的生理机制复杂多样，现有研究往往仅进行常规的生理特征分析，缺乏系统、全面的深入探讨。基于此
在基于孪生网络的目标跟踪方法中，候选目标区域推荐的质量十分关键。目前的方法普遍采用锚点固定的推荐方式，该方式所生成的候选区域通常会数量庞大且质量不高。为此，本文提出一种基于概率图的启发式候选区域推荐的孪生跟踪模型。该网络模型由模板分支和检测分支构成，其中模板分支用于提取第一帧或前一帧目标图片的特征，而检测分支用于提取当前帧图片的特征。在提取当前帧特征后，采用概率图的方法来预测目标可能出现的位置，并
智能机器人、无人驾驶等技术的飞速发展在引领产业变革的同时对环境感知技术提出了新的挑战。基于视觉的三维目标检测算法的性能有了大幅提升，直逼激光雷达，但检测速度离产业实时性需求还有较大差距，成为产业发展的瓶颈之一。鉴于此，本文提出一种基于Stereo-RCNN的Fast Stereo-RCNN三维目标检测算法，用单支路网络检测三维框的多个角点重构三维中心点，轻量区域生成网络固化三维关键点，二分支关键点