买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉清华大学申请的专利基于神经网络和边缘计算芯片的单目深度估计方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115760942B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211330237.7，技术领域涉及：G06T7/50；该发明授权基于神经网络和边缘计算芯片的单目深度估计方法及装置是由孟子阳;沈王天;尤政设计研发完成，并于2022-10-27向国家知识产权局提交的专利申请。

本基于神经网络和边缘计算芯片的单目深度估计方法及装置在说明书摘要公布了：本发明公开了基于神经网络和边缘计算芯片的单目深度估计方法及装置，其中，该方法包括：获取相机图像的训练数据集，并利用训练数据集对深度估计网络进行训练得到训练好的深度估计网络；利用训练数据集中的多张图片对训练好的深度估计网络的网络参数进行量化操作得到卷积张量；利用最优的张量划分方式对卷积张量进行划分生成网络代码数据；利用实时相机图像和网络代码数据，通过训练好的深度估计网络的网络计算得到实时相机图像估计的深度图。本发明在超低功耗计算芯片上实现了单目深度估计网络的部署与运行，对于只能使用单目相机作为感知单元的纳型无人平台有重要的意义，能给显著提升纳型无人平台对于场景的理解能力。

本发明授权基于神经网络和边缘计算芯片的单目深度估计方法及装置在权利要求书中公布了：1.一种基于神经网络和边缘计算芯片的单目深度估计方法，其特征在于，包括以下步骤： 获取相机图像的训练数据集，并利用所述训练数据集对深度估计网络进行训练得到训练好的深度估计网络； 利用所述训练数据集中的多张图片对所述训练好的深度估计网络的网络参数进行量化操作得到卷积张量； 利用最优的张量划分方式对所述卷积张量进行划分生成网络代码数据； 利用实时相机图像和所述网络代码数据，通过所述训练好的深度估计网络的网络计算得到实时相机图像估计的深度图； 所述方法，还包括： 选用NYUDepthv2数据集来训练、裁剪网络并验证最终部署的结果；网络的结构参考FastDepth的网络结构，将前端Encoder部分的MobileNetv1替换成更加轻量化的MobileNetv2网络，同样加入了后端的多层上采样层和跨层连接； 采用NetAdapt剪枝方法对网络进行了最多23轮的迭代剪枝，在每一次迭代中，NetAdapt对网络的每一层分别选择删除预设数量的卷积核得到若干个自网络，并进行FineTune，从中选择准确率最高的子网络进行下一步的迭代； 所述利用训练数据集中的多张图片对所述训练好的深度估计网络的网络参数进行量化操作得到卷积张量，包括： 获取训练数据集中的多张图片作为所述训练好的深度估计网络的输入，以获得每一层卷积的张量t的参考范围，并将其映射到N位纯整数张量： 其中，为缩放因子； 所述利用最优的张量划分方式对所述卷积张量进行划分生成网络代码数据，包括： 利用AutoTiler网络工具选择最优的张量划分方式进行所述卷积张量的划分，以将训练好的深度估计网络在超低功耗边缘计算芯片上的计算过程封装成C语言表示的代码数据； 所述方法，还包括： 将网络计算中的张量划分为更小的数据块，称为tiles，在L2和L1内存之间移动；将此问题划分为两个独立的部分：1一组专门在L1数据tiles上运行的优化内核；2tiling求解器，用于定义切片的最佳大小并生成相关数据传输的代码在L2和L1之间，包括所有张量的双缓冲；CNN中的每一层都在表示特征空间的三维输入张量上运行，并产生一个新的3-D激活张量作为输出；卷积层由线性变换组成，该变换使用Kin×Kout卷积滤波器将Kin输入特征图映射到Kout输出特征图；在任何卷积层中，识别三个不同的数据空间，这些数据空间在三个维度中的一个或多个维度中划分为tiles；使用AutoTiler工具探索该空间的子集，选择最佳平铺配置，并包装生成C代码，利用集群DMA控制器在L2和L1存储器之间有效移动数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人清华大学，其通讯地址为：100084 北京市海淀区清华园；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。