专利交易市场

本发明公开了面向无人驾驶的前背景编解码器网络目标提取方法。本发明方法使用前景网络与背景网络分别学习视频内的前景目标特征与背景环境特征，利用视频帧前一时间步预测的目标掩膜扩张与侵蚀来缩小当前时间步输入视频帧的目标区域，并考虑了模板帧即首帧真实目标信息的非局部模块可以获得时序上的长期依赖关系。本发明充分结合目标空间信息与环境中包含的上下文信息获得更加准确的目标位置预测信息，使模型能够快速关注视频存在的可能目标区域而减少时间开销，避免了过度依赖短期时序关系造成目标位置预测的错误累加问题，从而准确地提取像素级别的目标位置，为无人驾驶车辆提供精确的目标区域方位，增加驾驶的安全性能。

本发明公布了一种基于FMCW雷达方差频数统计的手势目标提取方法。首先，通过FMCW雷达获取手势动作的中频信号，并对中频信号进行复数构造等预处理操作，得到接收天线时域累加信号；然后，对时域累加信号进行下采样，并将下采样后的信号划分为若干单元；接着，对各个单元计算方差，并根据方差值得到方差频数统计直方图；最后，选取直方图中第二组中心值作为判决门限，将高于判决门限的单元标记为目标单元，其余单元标记为非目标单元。本发明创新性地提出了从冗长的雷达信号中分割出有效运动手势数据段，为手势参数提取的研究提供了基础。

本发明涉及一种基于显著性先验信息的目标提取方法。对图像的显著性点进行检测；对图像的显著性边进行检测；将图像的显著性点和显著性边进行融合，构成显著性融合图；将融合后的显著性特征作为先验信息添加到神经网络中，构成基于显著性先验信息的神经网络；在数据集的样本中进行随机选取，构成网络所需的训练集和测试集；利用训练集采用多样化的方式训练基于显著性先验信息的神经网络；利用测试集使用训练完成的基于显著性先验信息的神经网络进行目标提取，提取出准确的目标区域。本发明的方法采用基于显著性先验信息的神经网络进行目标提取，充分考虑了低级与高级语义信息等特征，提取了较为准确的目标区域。

本申请公开了一种基于深度循环注意力的图像多目标提取方法及系统，该方法包括：构建目标对象分割网络模型，其中，对图像生成待分割目标对象的交互点集，并将每一个目标对象的交互点集转换为距离图；将所述图像经过基础网络，得到与原图像大小相同的深度视觉特征，在深度视觉特征的基础上得到外观嵌入特征；根据所述距离图和所述深度视觉特征学习同一目标对象和不同目标对象之间交互点的竞争，获得待分割目标对象的注意力图和背景的注意力图；根据所述待分割目标对象的注意力图、所述背景的注意力图和外观嵌入特征进行分割得到目标对象分割结果。通过本申请解决了现有技术中针对多目标提取时效果不理想的问题，从而提高了多目标分割的质量。