[发明专利]一种脉冲阵列信号时空上采样器生成方法有效
申请号: | 201910577877.X | 申请日: | 2019-06-28 |
公开(公告)号: | CN110426560B | 公开(公告)日: | 2020-08-25 |
发明(设计)人: | 田永鸿;项锡捷;李家宁;朱林;付溢华;董思维;黄铁军 | 申请(专利权)人: | 北京大学 |
主分类号: | G06T1/40 | 分类号: | G06T1/40 |
代理公司: | 北京辰权知识产权代理有限公司 11619 | 代理人: | 刘广达 |
地址: | 100871*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 脉冲 阵列 信号 时空 采样 生成 方法 | ||
1.一种脉冲阵列信号时空上采样器生成方法,其特征在于,包括:
根据脉冲阵列信号空域和/或时域上采样需求参数,构建能使脉冲阵列信号由一端传输到另一端的神经网络;
获取训练用输入信号和训练用输出信号;
利用训练用输入信号和训练用输出信号将所述神经网络训练为上采样器;
其中,所述训练用输入信号为原始脉冲阵列信号,所述训练用输出信号为对原始脉冲阵列信号进行空域上采样和/或时域上采样得到的上采样信号;或者,所述训练用输入信号为对原始脉冲阵列信号进行空域下采样和/或时域下采样得到的下采样信号,所述训练用输出信号为原始脉冲阵列信号;
所述对原始脉冲阵列信号进行空域上采样和/或时域上采样包括:
通过多个常规信号采样器从局部空间位置采集时域信号,生成时域上的脉冲序列,所述多个常规信号采样器阵列按空间位置相互关系排列成时空稀疏的点阵;
通过动态视觉传感器以差分采样形式记录事件来表示光强的变化;
通过超高速全时视觉传感器以积分采样形式发放脉冲表示光强强度;
所述对原始脉冲阵列信号进行空域上采样,包括:
脉冲阵列插值方法,根据脉冲阵列信号记录的视觉事件信息,将一段时间间隔内的脉冲阵列信号转换为二维矩阵;
上采样所述二维矩阵;
将上采样后的二维矩阵重新转为脉冲阵列信号,得到上采样后的脉冲阵列信号;
依据尺度参数选择进行空域上采样,在限定空间分辨率内,依据空域尺度参数增加像素间事件。
2.根据权利要求1所述的方法,其特征在于,所述的脉冲阵列插值方法,包括:
脉冲频率累积,在一定时间间隔内将脉冲阵列信号累积为二维矩阵,再对二维矩阵进行空域上采样;
脉冲阵列信号生成,依据二维空间上采样的累积频率,采样点随机过程仿真生成脉冲事件。
3.根据权利要求2所述的方法,其特征在于,所述的对二维矩阵进行空域上采样的算法,包括:
双线性内插法,利用待求像素四个相邻像素的灰度在两个方向上作线性内插;
三次内插法,利用三次多项式,求逼近理论上最佳插值函数,待求像素的灰度值由其周围16个灰度值加权内插得到。
4.根据权利要求2所述的方法,其特征在于,所述的脉冲阵列信号生成,包括:
将每个像素的事件序列建模为随机点过程,通过非齐次泊松过程来模拟特定速率函数的生成事件。
5.根据权利要求1所述的方法,其特征在于,所述的神经网络,包括:
深度神经网络,为采用点过程网络结构,根据空域或时域上采样需求构建的端到端的深度网络结构;
脉冲神经网络,为根据类脑神经模型和脉冲发放模型构建的网络结构。
6.根据权利要求1所述的方法,其特征在于,所述的原始脉冲阵列信号,为时空稀疏异步的点阵,其记录运动事件的信息。
7.根据权利要求1所述的方法,其特征在于,所述的对原始脉冲阵列信号进行时域上采样,包括:依据尺度参数选择进行时域上采样,在限定时间间隔内,依据时域尺度参数增加事件。
8.根据权利要求1所述的方法,其特征在于,在将所述神经网络训练为上采样器的过程中,神经网络的学习方式包括:
无监督学习,采用局部无监督学习规则,无需设计损失函数;
有监督学习,设计脉冲阵列信号度量的损失函数。
9.一种脉冲阵列信号时空上采样方法,其特征在于,包括:将待上采样的脉冲阵列信号输入权利要求1-8任一项所述的脉冲阵列信号时空上采样器生成方法所生成的上采样器,依据脉冲阵列信号空域和/或时域上采样需求参数输出上采样脉冲阵列信号。
10.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-9中任一项所述的方法。
11.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以实现如权利要求1-9中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京大学,未经北京大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910577877.X/1.html,转载请声明来源钻瓜专利网。