CN110986949B - 一种基于人工智能平台下的路径识别方法 - Google Patents
一种基于人工智能平台下的路径识别方法 Download PDFInfo
- Publication number
- CN110986949B CN110986949B CN201911229234.2A CN201911229234A CN110986949B CN 110986949 B CN110986949 B CN 110986949B CN 201911229234 A CN201911229234 A CN 201911229234A CN 110986949 B CN110986949 B CN 110986949B
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- network
- path
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能路径规划技术领域,具体涉及一种基于人工智能平台下的路径规划方法。本发明包括:采集具有路径的图像:采集具有路径的图像,对每张图像进行标类,根据定义的特征类型,建立数据联系,形成数据集;数据预处理:对原始图像计算整个数据集上每个像素的均值和标准差,对每张图像以50%概率翻转,同时进行归一化处理,得到预处理后的图像集合等步骤。本发明使用卷积神经网络进行图像识别,相比于传统方法,准确率更高,判断过程更加智能化,且可以应用于多种应用场景。本发明使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解,同时全卷积网络对图像大小和类型没有太多限制,增强了实用性。
Description
技术领域
本发明属于智能路径规划技术领域,具体涉及一种基于人工智能平台下的路径规划方法。
背景技术
机器人是正在蓬勃发展的一个重要领域,集光学、电子学、测控技术、自动控制理论、信息技术、软件技术、计算机技术之大成,形成了一门综合的新技术。由于计算机技术的发展与普及,在全世界范围内,人类的生产已经从机械化、自动化逐步过渡到“智能”时代。
机器人技术综合了多学科的发展成果,代表了高技术的发展前沿,它在人类生活应用领域的不断扩大正在引起国际上重新认识机器人技术的作用和影响,随着机器人技术的不断发展与进步,许多新奇的机器人成员逐步进入到社会的各个领域,并且发挥着越来越重要的作用。它所具有的优势越来越受到世界各国普遍关注和重视,日益成为各国的核心技术。
机器人路径规划的研究背景一般有以下三类:
(1)已知环境与静态障碍物规避条件下的路径规划研究;
(2)已知环境与动态障碍物规避条件下的路径规划研究;
(3)未知环境或动态环境下的路径规划研究。
路径规划根据地图环境信息是否已知可以分为两大类:全局与局部路径规划。前者在已建立地图模型的基础上,一般可以完成点到点以及遍历地图的最短路径规划;后者主要应用于整体或局部环境不明晰的环境中,需要装备传感器对周围环境探测以确定可行域的范围。两者从本质上来说并无二异,局部路径规划的方法对于全局路径规划依然有效,而多数全局路径规划方法改进后便可以移植到局部路径规划的应用中。
路径规划算法依据基本原理又可以分为传统算法与智能仿生学算法。传统算法有Y算法、模糊逻辑算法与禁忌搜索算法等。但传统路径规划算法在大规模搜索中暴露出的效率低下,使人们不得不探索更为快速和更高适应性的方法。仿生智能算法在路径规划中的应用,是随着二十世纪末智能算法的探索与深入研宄而兴起于发展的,目前应用于机器人路径规划的有蚁群算法、神经网络算法、遗传算法、粒子群算法等。此类算法一般具有更高的搜索效率,但有时会陷入局部最优,甚至某些情况下效率会更低。
发明内容
本发明的目的在于提供一种高效率的基于人工智能平台下的路径规划方法。
本发明的目的是这样实现的:
一种基于人工智能平台下的路径规划方法,包括如下步骤:
(1)采集具有路径的图像:采集具有路径的图像,对每张图像进行标类,根据定义的特征类型,建立数据联系,形成数据集;
(2)数据预处理:对原始图像计算整个数据集上每个像素的均值和标准差,对每张图像以50%概率翻转,同时进行归一化处理,得到预处理后的图像集合;
(3)提取初级特征:依次确定从上到下的51层ResNets网络架构和1层ResNets网络架构作为构建特征人工智能网络的底层网络,对路径采集图像进行初级特征提取,提取出5个不同的尺度的特征A1,A2,A3,A4,A5;计算网络架构权重β;
(4)卷积网络叠加:将步骤(3)中得到的5个尺度的特征分别通过从上到下的卷积网络进行叠加得到新特征S1,S2,S3,S4,S5消除不同层之间的混叠效果;
将S5尺度特征扩大5-10倍,得到扩倍特征R5,特征R4是由特征S5加2倍之后得到的,同时尺度特征A4经过1×8×128的卷积得到卷积特征A4′,将扩倍特征R5与卷积特征A4′相加得到新特征S4;尺度特征A3经过1×8×128的卷积得到卷积特征A3′,将扩倍特征R4与卷积特征A3′相加得到新特征S3;尺度特征A2经过1×8×128的卷积得到卷积特征A2′,将扩倍特征R3与卷积特征A2′相加得到新特征S2;尺度特征A1经过1×8×128的卷积得到卷积特征A1′,将扩倍特征R2与卷积特征A1′相加得到新特征S1;
新特征S6是通过对S5进行9×9,步长为2的卷积得到,然后对特征S6进行LeakyReLU函数激活,再通过9×9,步长为2的卷积,得到新特征S7;
(5)特征图重建:建立特征金字塔网络作为主体网络,将得到的特征S5、S6、S7通过上采样和单层卷积生成重建特征,完成特征的重组,重建的特征图的生成方式如下:
其中Conv代表单层卷积,Upsample代表上采样;
(6)目标框输出:将的5个重建特征连接至适用于重建特征图的目标框输出,将目标框的输出分为两个分类子网络,一个分类子网作为回归目标的类别输出,另一个回归子网则作为回归的边界框的输出:
Focal Loss函数输出为:
FL(Qt)=-(1-Qt)λβlog(Qt);
其中Qt是路径图像识别正确的概率,β是权重,取值在0.2-0.3之间,λ是聚焦系数;
平衡交叉熵函数输出为:
CE(Qt)=-βlog(Qt);
将Focal Loss函数输出和平衡交叉熵函数输出,使用点集置信度函数进行交集并集比计算:
其中DT(x)为相应特征图中的图集x与真实标签的点集之间的像素距离,ds为预设的最小距离值;
(7)计算路径图像均方误差:在计算分类子网的同时,将个新特征用于计算均方误差损失:
n≤5,xi'是路径图像识别的值;
(8)获得路径识别模型:计算分类子网与回归子网的输出后,与最后使用分类子网和回归子网的输出进行梯度下降训练得到路径识别模型,路径识别模型为:
VD(x)=βMSE+(1-β)D(x)
VCE(Qt)=βCE(Qt)+(1-β)VD(x)
W=VD(x)-αVCE(Qt)
b=W-αCE(Qt)
VD(x)为识别速度、VCE(Qt)为最高速度、W为规划路径、b为实际路径,通过此路径识别模型进行路径识别。
本发明的有益效果在于:本发明属于在人工智能平台下执行机器人或者行驶器的基于人工智能平台下的路径识别方法。本发明使用卷积神经网络进行图像识别,相比于传统方法,准确率更高,判断过程更加智能化,且可以应用于多种应用场景。本发明使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解,同时全卷积网络对图像大小和类型没有太多限制,增强了实用性。本发明将卷积神经网络加入类激活映射保持原始数据,增强网络识别准确率,辅助判断进行集成,便于非专业人士进行使用与拓展,增加了推广的可能性。既具有单阶段测试模型的速度优势,又具有双阶段测试模型的计算准确度。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
本发明涉及了深度学习路径识别领域,通过使用深度特征重组进行路径回归和识别,从而更好的利用深度卷积层的特征点,提高对目标的计算速度。本发明具体包括:
(1)采集具有路径的图像:本发明可以使用监视器、探头等图像录制和采集工具采集具有路径的图像,然后通过植入在装备、设备中的芯片的程序存贮图片,并对每张图像进行标类,根据定义的特征类型,建立数据联系,形成数据集;
(2)数据预处理:芯片或核心计算工具开始工作,如CPU、DSP等对原始图像计算整个数据集上每个像素的均值和标准差,对每张图像以50%概率翻转,同时进行归一化处理,得到预处理后的图像集合;该步骤通过统一的算法可以将不同场景、不同路径和格式的图片处理成能够进行统一评判格式。
(3)提取初级特征:依次确定从上到下的51层ResNets网络架构和1层ResNets网络架构作为构建特征人工智能网络的底层网络,对路径采集图像进行初级特征提取,提取出5个不同的尺度的特征A1,A2,A3,A4,A5;计算网络架构权重β;
(4)卷积网络叠加:将步骤(3)中得到的5个尺度的特征分别通过从上到下的卷积网络进行叠加得到新特征S1,S2,S3,S4,S5消除不同层之间的混叠效果;
将S5尺度特征扩大5-10倍,得到扩倍特征R5,特征R4是由特征S5加2倍之后得到的,同时尺度特征A4经过1×8×128的卷积得到卷积特征A4′,将扩倍特征R5与卷积特征A4′相加得到新特征S4;尺度特征A3经过1×8×128的卷积得到卷积特征A3′,将扩倍特征R4与卷积特征A3′相加得到新特征S3;尺度特征A2经过1×8×128的卷积得到卷积特征A2′,将扩倍特征R3与卷积特征A2′相加得到新特征S2;尺度特征A1经过1×8×128的卷积得到卷积特征A1′,将扩倍特征R2与卷积特征A1′相加得到新特征S1;
新特征S6是通过对S5进行9×9,步长为2的卷积得到,然后对特征S6进行LeakyReLU函数激活,再通过9×9,步长为2的卷积,得到新特征S7;
(5)特征图重建:建立特征金字塔网络作为主体网络,将得到的特征S5、S6、S7通过上采样和单层卷积生成重建特征,完成特征的重组,重建的特征图的生成方式如下:
其中Conv代表单层卷积,Upsample代表上采样;
在特征图重建的过程中,引入了单层卷积上采样重建特征,将归一化后处理的特征进一步查筛,有利于建立特征图谱,增加本发明的准确性。
(6)目标框输出:将的5个重建特征连接至适用于重建特征图的目标框输出,将目标框的输出分为两个分类子网络,一个分类子网作为回归目标的类别输出,另一个回归子网则作为回归的边界框的输出:
Focal Loss函数输出为:
FL(Qt)=-(1-Qt)λβlog(Qt);
其中Qt是路径图像识别正确的概率,β是权重,取值在0.2-0.3之间,λ是聚焦系数;
平衡交叉熵函数输出为:
CE(Qt)=-βlog(Qt);
将Focal Loss函数输出和平衡交叉熵函数输出,使用点集置信度函数进行交集并集比计算:
其中DT(x)为相应特征图中的图集x与真实标签的点集之间的像素距离,ds为预设的最小距离值;
本发明的计算输出引入了目标框输出概念,通过上述输出模式,有利于避免输出结果的失真现象,目前的失***要原因包括误差和信号干扰,通过目标框输出通过提高路径图像识别正确的概率和权重,避免了信号干扰问题,同时进一步降低了误差值。
(7)计算路径图像均方误差:在计算分类子网的同时,将个新特征用于计算均方误差损失:
n≤5,xi'是路径图像识别的值;
(8)获得路径识别模型:计算分类子网与回归子网的输出后,与最后使用分类子网和回归子网的输出进行梯度下降训练得到路径识别模型,路径识别模型为:
VD(x)=βMSE+(1-β)D(x)
VCE(Qt)=βCE(Qt)+(1-β)VD(x)
W=VD(x)-αVCE(Qt)
b=W-αCE(Qt)
VD(x)为识别速度、VCE(Qt)为最高速度、W为规划路径、b为实际路径,通过此路径识别模型进行路径识别。
上述两个步骤通过路径图像均方误差进一步校正了路径识别模型,得到了最终本发明人工智能平台下的路径识别结果,有助于帮助识别主体进行判断和执行后续操作。
Claims (2)
1.一种基于人工智能平台下的路径规划方法,包括如下步骤:
(1)采集具有路径的图像:采集具有路径的图像,对每张图像进行标类,根据定义的特征类型,建立数据联系,形成数据集;
(2)数据预处理:对原始图像计算整个数据集上每个像素的均值和标准差,对每张图像以50%概率翻转,同时进行归一化处理,得到预处理后的图像集合;
(3)提取初级特征:依次确定从上到下的51层ResNets网络架构和1层ResNets网络架构作为构建特征人工智能网络的底层网络,对路径采集图像进行初级特征提取,提取出5个不同的尺度的特征A1,A2,A3,A4,A5;计算网络架构权重β;
(4)卷积网络叠加:将步骤(3)中得到的5个尺度的特征分别通过从上到下的卷积网络进行叠加得到新特征S1,S2,S3,S4,S5消除不同层之间的混叠效果;
(5)特征图重建:建立特征金字塔网络作为主体网络,将得到的特征S5、S6、S7通过上采样和单层卷积生成重建特征,完成特征的重组;
(6)目标框输出:将5个重建特征连接至适用于重建特征图的目标框输出,将目标框的输出分为两个分类子网络,一个分类子网作为回归目标的类别输出,另一个回归子网则作为回归的边界框的输出:
Focal Loss函数输出为:
FL(Qt)=-(1-Qt)λβlog(Qt);
其中Qt是路径图像识别正确的概率,β是权重,取值在0.2-0.3之间,λ是聚焦系数;
平衡交叉熵函数输出为:
CE(Qt)=-βlog(Qt);
将Focal Loss函数输出和平衡交叉熵函数输出,使用点集置信度函数进行交集并集比计算:
其中DT(x)为相应特征图中的图集x与真实标签的点集之间的像素距离,ds为预设的最小距离值;
(7)计算路径图像均方误差:在计算分类子网的同时,将5个新特征用于计算均方误差损失:
n≤5,xi'是路径图像识别的值;
(8)获得路径识别模型:计算分类子网与回归子网的输出后,与最后使用分类子网和回归子网的输出进行梯度下降训练得到路径识别模型;
所述步骤(4)中的卷积网络进行叠加的具体步骤包括:将S5尺度特征扩大5-10倍,得到扩倍特征R5,特征R4是由特征S5加2倍之后得到的,同时尺度特征A4经过1×8×128的卷积得到卷积特征A4′,将扩倍特征R5与卷积特征A4′相加得到新特征S4;尺度特征A3经过1×8×128的卷积得到卷积特征A3′,将扩倍特征R4与卷积特征A3′相加得到新特征S3;尺度特征A2经过1×8×128的卷积得到卷积特征A2′,将扩倍特征R3与卷积特征A2′相加得到新特征S2;尺度特征A1经过1×8×128的卷积得到卷积特征A1′,将扩倍特征R2与卷积特征A1′相加得到新特征S1;所述步骤(5)中的新特征S6是通过对S5进行9×9,步长为2的卷积得到,然后对特征S6进行Leaky ReLU函数激活,再通过9×9,步长为2的卷积,得到新特征S7;所述步骤(5)中的重组的特征图的生成方式如下:
其中Conv代表单层卷积,Upsample代表上采样;
所述步骤(8)中的路径识别模型为:
VD(x)=βMSE+(1-β)D(x)
VCE(Qt)=βCE(Qt)+(1-β)VD(x)
W=VD(x)-αVCE(Qt)
b=W-αCE(Qt)
VD(x)为识别速度、VCE(Qt)为最高速度、W为规划路径、b为实际路径,通过此路径识别模型进行路径识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229234.2A CN110986949B (zh) | 2019-12-04 | 2019-12-04 | 一种基于人工智能平台下的路径识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229234.2A CN110986949B (zh) | 2019-12-04 | 2019-12-04 | 一种基于人工智能平台下的路径识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986949A CN110986949A (zh) | 2020-04-10 |
CN110986949B true CN110986949B (zh) | 2023-05-09 |
Family
ID=70090137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229234.2A Active CN110986949B (zh) | 2019-12-04 | 2019-12-04 | 一种基于人工智能平台下的路径识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986949B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553277B (zh) * | 2020-04-28 | 2022-04-26 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
WO2021218614A1 (zh) * | 2020-04-30 | 2021-11-04 | 陈永聪 | 通用人工智能的体系建立 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109740552A (zh) * | 2019-01-09 | 2019-05-10 | 上海大学 | 一种基于平行特征金字塔神经网络的目标跟踪方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475331B (zh) * | 2016-02-17 | 2022-04-05 | 英特尔公司 | 用于对象检测的方法、装置、***和计算机可读介质 |
US10540961B2 (en) * | 2017-03-13 | 2020-01-21 | Baidu Usa Llc | Convolutional recurrent neural networks for small-footprint keyword spotting |
CA3000166A1 (en) * | 2017-04-03 | 2018-10-03 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
US20190147255A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Systems and Methods for Generating Sparse Geographic Data for Autonomous Vehicles |
US11443178B2 (en) * | 2017-12-15 | 2022-09-13 | Interntional Business Machines Corporation | Deep neural network hardening framework |
US11087130B2 (en) * | 2017-12-29 | 2021-08-10 | RetailNext, Inc. | Simultaneous object localization and attribute classification using multitask deep neural networks |
CN108399362B (zh) * | 2018-01-24 | 2022-01-07 | 中山大学 | 一种快速行人检测方法及装置 |
CN108460742A (zh) * | 2018-03-14 | 2018-08-28 | 日照职业技术学院 | 一种基于bp神经网络的图像复原方法 |
CN108520206B (zh) * | 2018-03-22 | 2020-09-29 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
CN109815886B (zh) * | 2019-01-21 | 2020-12-18 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及*** |
CN109886161B (zh) * | 2019-01-30 | 2023-12-12 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
CN110244734B (zh) * | 2019-06-20 | 2021-02-05 | 中山大学 | 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法 |
AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
-
2019
- 2019-12-04 CN CN201911229234.2A patent/CN110986949B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109740552A (zh) * | 2019-01-09 | 2019-05-10 | 上海大学 | 一种基于平行特征金字塔神经网络的目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110986949A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
CN109993734A (zh) | 用于输出信息的方法和装置 | |
CN111562612B (zh) | 一种基于注意力机制的深度学习微震事件识别方法及*** | |
CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
CN110986949B (zh) | 一种基于人工智能平台下的路径识别方法 | |
CN108830170B (zh) | 一种基于分层特征表示的端到端目标跟踪方法 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
WO2024060395A1 (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN116704137B (zh) | 一种海上石油钻井平台点云深度学习逆向建模方法 | |
CN113536925A (zh) | 一种基于引导注意力机制的人群计数方法 | |
Zhao et al. | Building damage evaluation from satellite imagery using deep learning | |
Yu et al. | Dual-branch framework: AUV-based target recognition method for marine survey | |
CN111383273A (zh) | 一种基于改进结构推理网络的高铁接触网零部件定位方法 | |
CN117094925A (zh) | 一种基于点代理增强和逐层上采样的猪体点云补全方法 | |
CN115546050A (zh) | 一种基于点云补全的陶瓷文物智能复原网络及复原方法 | |
CN113887653B (zh) | 一种基于三元网络的紧耦合弱监督学习的定位方法及*** | |
CN114998539A (zh) | 一种智慧城市传感器地形定位建图方法 | |
Jie et al. | Heterogeneous Deep Metric Learning for Ground and Aerial Point Cloud-Based Place Recognition | |
Wang et al. | Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing | |
CN114140524A (zh) | 一种多尺度特征融合的闭环检测***及方法 | |
Yang et al. | 3dsenet: 3d spatial attention region ensemble network for real-time 3d hand pose estimation | |
Liang et al. | SCDFMixer: Spatial-Channel Dual-Frequency Mixer Based on Satellite Optical Sensors for Remote Sensing Multi-Object Detection | |
Wang et al. | Application of SIFT algorithm based on the Gabor features in multi-source information image monitoring | |
CN112183473B (zh) | 一种地质曲面视觉语义特征提取方法 | |
Barros et al. | ORCHNet: A robust global feature aggregation approach for 3D LiDAR-based place recognition in orchards |
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 |