摘要：本发明公开了一种数字抽取滤波器，包括：选择器和至少一个系数累加单元；在至少一个系数累加单元中还设置有系数生成器和累加器，系数生成器的输入端与和差调制器连接，系数生成器的输出端与累加器的输入端连接，累加器的输出端与选择器连接；系数生成器根据和差调制器输出的调制信号生成第一滤波信号，累加器根据第一滤波信号进行系数累加得到第二滤波信号，选择器根据第二滤波信号确定即将输出的目标滤波信号，通过实施本发明，累加器对系数生成器生成第一滤波信号进行累加得到第二滤波信号，再通过选择器依次输出最终的滤波信息，降低了输入数据的

摘要：本发明实施例提供了血管图像的三维重建方法及装置。该方法包括：采用水平集方法对三维胸部图像进行分割，得到二维肺部图像；根据所述二维肺部图像获取肺部血管的掩膜图像；对所述掩膜图像进行插值计算得到完整的肺部血管图像；对所述肺部血管图像进行体渲染得到三维肺部血管图像。本发明实施例能够建立肺部血管树，辅助医生在确定手术方案时，尽可能的避开血管，降低对血管的伤害。

摘要：本发明公开了医学图像识别方法、装置、设备和介质。该方法包括：利用预先训练的结节识别模型，得到疑似结节单元在目标结构的原始医学影像中的位置信息；根据疑似结节单元在原始医学影像中的位置信息，在医学影像中分割出疑似结节单元的医学影像；利用预先训练的肿瘤识别模型，对疑似结节单元的医学影像进行识别，得到疑似结节单元的识别结果分数。根据本发明实施例提供的医学图像识别方法、装置、设备和介质，可以保证医学图像的识别准确度。

摘要：本申请实施例提供了一种物体识别方法、装置、设备及存储介质。物体识别方法，包括：获取自动驾驶车辆的图像数据，所述图像数据由摄像装置采集；将所述图像数据转换为第一点云数据；将所述第一点云数据输入第一预设识别模型，得到第一物体识别信息；依据所述第一物体识别信息，确定所述自动驾驶车辆的物体识别结果。根据本申请实施例的物体识别方法，可以提高物体识别方法的准确性。

摘要：本发明实施例提供一种车道线检测方法、装置、设备及计算机存储介质，涉及自动驾驶领域，用以提高车道线检测的准确性，从而保障车辆行驶安全。所述方法包括：获取道路预设区域内的图像数据集及点云数据集；根据图像数据集对预设的神经网络模型进行训练，得到图像数据集中各个像素点所属车道线的概率，根据概率确定车道线的第一位置信息；根据点云数据集，得到点云数据集中各个点的坐标以及强度信息，根据强度信息确定车道线的第二位置信息；将第一位置信息与第二位置信息进行融合，确定融合后的车道线的位置信息。

摘要：本发明实施例公开了一种传感器温度补偿的方法、装置、设备及存储介质。首先采集磁电阻效应传感器系统的温度，第一正弦值和第一余弦值；然后根据温度，第一正弦值和第一余弦值确定第一角度；之后根据温度，第一角度和预设补偿表确定补偿数据，其中，补偿表包括磁电阻效应传感器系统在各个预设温度，以及每个预设温度下，不同预设角度对应的第二正弦值和第二余弦值；最后基于补偿数据，第一正弦值和第一余弦值确定第二角度。解决了目前的技术方案中存在的角度传感器测量结果不准确的问题，提高了测量结果的准确性。

摘要：本申请实施例提供一种片上系统及信号处理方法。该片上系统包括：电荷放大器，该电荷放大器与预设的压电传感器连接，用于将压电传感器的电荷模拟信号转换为电压模拟信号。本申请实施例将电荷放大器集成为片上系统，集成度高，体积小，整体质量较低，避免了电路板质量偏大而引入的电荷模拟信号测量误差。

摘要：本发明公开了一种识别模型训练方法、装置、设备及计算机存储介质。方法包括：获取训练样本中训练样本的预设识别区域和预测区域的重叠度，其中，预测区域由第一预设识别模型识别训练样本得到；以及，根据预设识别区域的第一坐标信息和预测区域的第二坐标信息，确定预测区域相对于预设识别区域的回归值，回归值用于表征预设识别区域和预测区域之间的位置关系；根据重叠度、回归值以及回归值的预设权重，确定预测区域相对于预设识别区域的损失值；基于损失值和第一预设识别模型，训练第二预设识别模型。能够使训练过程中产生的目标检测结果快速收敛到标注的真实框所框选的目标对象，提高预设识别模型的训练效率。

摘要：本申请提供了一种自动驾驶方法、装置、电子设备及计算机存储介质。该自动驾驶方法，包括：获取感知数据源数据；根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；基于融合数据，执行自动驾驶操作。根据本申请实施例，能够在自动驾驶的过程中，提高对环境的感知精度。

摘要：本申请实施例提供了一种交通信号灯的识别方法、装置、设备及存储介质。交通信号灯的识别方法，包括：获取包含自动驾驶车辆行驶方向的目标交通信号灯的第一图像；将所述第一图像输入至第一预设识别模型，得到所述目标交通信号灯的特征信息，其中，所述第一预设识别模型为基于包含有交通信号灯的历史图像，及所述历史图像对应的交通信号灯的特征信息，训练得到的神经网络模型。根据本申请实施例的交通信号灯的识别方法，可以提高交通信号灯的识别方法的成功率。