新闻动态

 

科研进展

  • 基于几何和学习的全局式从运动恢复结构

    作为大规模场景三维重建问题的基础能力,从运动恢复结构(Structure-from-Motion, SfM)旨在通过海量二维图像精准鲁棒的求解相机空间位姿和相机内参数,也就是带有位姿的归一化图像(Posed images)。Posed images不仅是后续三维几何重建的基本输入,也是包括NeRF、3DGS在内的各种渲染算法的基本输入。SfM问题同样也是传统多视图几何理论的集大成者,蕴含了最小配置解、最大似然估计、几何意义解等关键思想。虽然已历经几十年的研究,但是面对大规模复杂场景下的海量图像数据,SfM问题在鲁棒性、计算效率、精确性等方面仍然面临多重问题。实验室三维视觉研究部针对这一问题长期开展理论方法研究,近期两项研究成果被计算机视觉领域权威国际会议CVPR 2024接收。

    93 2024-04-17
  • 工业表面缺陷异常检测方法

    在实际工业场景中,缺陷样本的稀缺性、标注成本的高昂以及缺陷先验知识的缺乏可能会导致基于有监督的深度学习方法失效。工业异常检测方法相比于依赖大量有标注的样本模型,它只利用无缺陷样本来解决表面缺陷检测问题。团队提出了基于双孪生网络的表面缺陷无监督异常检测方法。与现有从图像级(图像重构)或仅从正常样本的特征(判别性嵌入)学习表示的方法不同,该算法充分考虑了正常和异常信息,挖掘正常和异常区域在特征层面上的位置关系,创新性地将异常检测问题描述为双孪生网络框架下特征重构和修复的联合问题。

    416 2023-02-13
  • 面向隐私保护的无数据量化方法

    模型量化是压缩和加速深度神经网络的关键技术,对推动深度学习算法落地起到至关重要的作用。然而,几乎所有现有的量化方法都严重依赖原始训练数据集进行微调,而由于隐私和安全问题,这些数据集在许多实际场景中无法获取。为了解决这个问题,基于模型中的先验信息生成样本的无数据量化方法成为新兴的研究领域。然而,现有的方法未能充分地利用先验信息,因此不能完全恢复真实数据的特征,也不能对量化后的模型提供有效的监督,导致性能不佳。为此,高速视觉研究部团队提出一种新型的具有对抗性学习风格的无数据量化框架,如图1所示,其中两个鉴别器分别促进BN层分布的匹配和最大化全精度模型和量化模型之间的差异,能够有效地生成样本并学习量化模型。

    125 2023-02-07
  • 下肢外骨骼助力机器人控制研究

    外骨骼助力机器人作为一种辅助助力设备,其可穿戴性和移动性在辅助老年人和患者行走方面具有独特的优势。团队围绕髋关节下肢外骨骼助力机器人设计与人机协同控制策略展开研究,包括下肢外骨骼机电系统设计,人体运动步态相位估计及参数化助力策略,人体运动意图感知以及基于人体动力学的辅助控制策略等。

    119 2023-02-06
  • 多源数据融合的工业过程关键指标高阶关联时序预测

    工业过程海量多源数据背后蕴含着复杂系统或装备的运行规律,有效提取数据特征及领域知识,对工业过程关键指标进行可靠建模和状态估计,是提升工业智能化水平的必要途径。例如,工业过程工艺指标表征着生产运行的状态和产品质量的优劣、工业设备剩余寿命反映着设备运行的健康状态,利用人工智能技术挖掘多源时空数据背后蕴含的规律,建立智能预测模型,可以为工程师或操作人员准确把握工业过程健康运行状态。然而,这些工业过程关键指标涉及多源时空数据,存在强关联、强耦合、非线性、时滞等难点,传统深度学习方法难以准确提取时空数据背后蕴含的语义知识。

    87 2023-02-06
  • 细粒度级领域对齐和知识迁移的领域自适应

    无监督领域自适应的目标是将知识从具有丰富标注的源域迁移至相关但没有标注的目标域中,源域和目标域共享相同的标签空间但数据分布存在差异。现有的方法大多通过对齐源域和目标域的整体分布来实现知识的迁移,往往忽略了更细粒度级如类别和样本级的对齐,导致了错误的知识迁移。研究团队从小样本学习中的样本级的交互中得到启发,创新性地将无监督领域自适应问题构建成小样本学习问题,从而实现了细粒度级的领域对齐,提高了知识迁移的准确性。

    37 2023-02-06