-
公开(公告)号：CN118940162B
公开(公告)日：2025-05-13
申请号：CN202410980982.9
申请日：2024-07-22
Applicant: 中南大学
IPC: G06F18/2431 , G06F18/2321 , G06F17/18
Abstract: 本发明提供一种非合作目标的类型识别方法及装置，所述方法包括：采集指定空间物体的多个特征；将多个特征分别转换为标准正态分布，以对应形成多个标准化特征；构建与标准化特征对应的多特征函数，并计算多特征函数的概率密度函数；基于与标准正态分布特性相符的双边高斯隶属度函数计算每个标准化特征的隶属度函数；基于所述概率密度函数和隶属度函数分别计算每个所述特征的概率密度和隶属度，并基于对应每个特征的概率密度和隶属度计算得到指定空间物体的模糊概率；基于模糊概率确定指定空间物体是否为第一类真目标。本发明的方法能够快速准确地对空间目标进行识别。
-
公开(公告)号：CN118247265B
公开(公告)日：2024-08-13
申请号：CN202410622183.4
申请日：2024-05-20
Applicant: 中南大学
IPC: G06T7/00 , G06N3/0464 , G06T7/246 , G06V10/764 , G06V10/766 , G06V10/80
Abstract: 本发明提供一种充电接口姿态检测方法、装置、电子设备及存储介质，该充电接口姿态检测方法包括根据充电接口姿态检测请求，获取目标充电接口的第一图像，第一图像用于表征目标充电接口的RGB彩色图像；对第一图像采用深度卷积神经网络进行识别，得到目标充电接口的关键点，关键点用于表征充电接口触点；对关键点采用PnP算法进行第一次解算，得到目标充电接口的第一位姿；对第一位姿采用BA优化算法进行优化，得到目标充电接口的第二位姿。本发明的有益效果为：实现了充电接口姿态在复杂场景下的轻量化及高效实时检测。
-
公开(公告)号：CN117706514B
公开(公告)日：2024-04-30
申请号：CN202410155231.3
申请日：2024-02-04
Applicant: 中南大学
IPC: G01S7/41 , G01S13/88 , G01S13/89 , G01S7/16 , G01S7/292 , G01S7/35 , G06V10/30 , G06N3/0475 , G06N3/094 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明属于图像处理领域，具体涉及一种基于生成对抗网络的杂波消除方法、系统及设备，其方法包括：获取模拟无杂波图像、实测背景图像以及模拟有噪B扫描图像；基于模拟无杂波图像以及第三代风格生成对抗网络，得到合成无噪B扫描图像；基于合成无噪B扫描图像以及实测背景图像，得到合成有噪B扫描图像；基于模拟无杂波图像、合成有噪B扫描图像、模拟有噪B扫描图像以及合成无噪B扫描图像，得到成对训练数据集；获取去噪模型；基于成对训练数据集以及去噪模型，得到图像损失；基于图像损失调整去噪模型，得到优化训练模型；基于优化训练模型以及输入图像，得到无杂波图像。本申请具有扩大训练数据集以及提高图像处理质量的效果。
-
公开(公告)号：CN117635643A
公开(公告)日：2024-03-01
申请号：CN202311650086.8
申请日：2023-12-05
Applicant: 中南大学
IPC: G06T7/13 , G06T5/94 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 改进的双重注意力网络的室内火灾及可燃物自动识别方法，对于采集的图像，使用Canny边缘检测增强边界特征，辅助创建分割标签，以建立用于训练的火灾—可燃物数据集；改进基于双重注意力网络的深度学习框架，替换原有的交叉熵损失函数为焦点损失函数，并进行训练；结合测试增强方法对输入图像进行翻转、缩放变换，并将输出综合分析，得到最终的分割结果，实现室内火灾及可燃物的自动识别。
-
公开(公告)号：CN117830340B
公开(公告)日：2024-08-27
申请号：CN202410017401.1
申请日：2024-01-04
Applicant: 中南大学
IPC: G06T7/194 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明属于图像分割领域，具体涉及一种探地雷达目标特征分割方法、系统、设备及存储介质，其方法包括：获取训练图像以及对应的标签图像；基于所述训练图像以及所述标签图像，得到成对训练图像；获取分割模型；将所述成对训练图像输入所述分割模型中，得到输出图像；基于所述输出图像、标签图像以及所述分割模型，得到损失值；基于所述损失值以及损失条件调整所述分割模型的模型参数，得到优化分割模型；基于所述优化分割模型以及输入图像，得到目标特征。本申请通过优化分割模型，能够使提取出的目标特征图像质量更高的效果。
-
Patent Agency Ranking
公开(公告)号：CN112819732B
公开(公告)日：2021-07-09
申请号：CN202110415692.6
申请日：2021-04-19
Applicant: 中南大学
Abstract: 一种探地雷达B‑scan图像去噪方法，其中包括以下步骤：步骤1：探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测，获取Z幅GPR B‑scan图像构成无噪GPR标签数据集；步骤2：利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器；所述多尺度卷积自编码器包括一个编码器E、一个解码器D；步骤3：将待去噪的GPR图像输入至训练好的多尺度卷积自编码器，通过编码和解码，输出去噪后的GPR图像，并计算去噪后GPR图像的信噪比，验证多尺度卷积自编码器的去噪效果，本发明能够将低信噪比情况下的含噪GPR图像有效去噪。
-
公开(公告)号：CN118940162A
公开(公告)日：2024-11-12
申请号：CN202410980982.9
申请日：2024-07-22
Applicant: 中南大学
IPC: G06F18/2431 , G06F18/2321 , G06F17/18
Abstract: 本发明提供一种非合作目标的类型识别方法及装置，所述方法包括：采集指定空间物体的多个特征；将多个特征分别转换为标准正态分布，以对应形成多个标准化特征；构建与标准化特征对应的多特征函数，并计算多特征函数的概率密度函数；基于与标准正态分布特性相符的双边高斯隶属度函数计算每个标准化特征的隶属度函数；基于所述概率密度函数和隶属度函数分别计算每个所述特征的概率密度和隶属度，并基于对应每个特征的概率密度和隶属度计算得到指定空间物体的模糊概率；基于模糊概率确定指定空间物体是否为第一类真目标。本发明的方法能够快速准确地对空间目标进行识别。
-
公开(公告)号：CN114998645A
公开(公告)日：2022-09-02
申请号：CN202210503794.8
申请日：2022-05-10
Applicant: 中南大学
IPC: G06V10/764 , G06F30/20 , G06T17/00 , G06V10/10 , G06V10/46 , G06V10/762 , G06V10/774 , G06V10/80
Abstract: 本发明提出了基于三维GPR正演技术的道路空洞形态分类方法，利用基于三维时域有限差分方法原理的GprMax3D软件，针对以空洞为代表的典型道路病害体，开展不同形态空洞的三维GPR正演模拟工作，获得相应的三维雷达数据体；对数据体不同方向的图像特征进行信息提取以及基于三维GPR正演模拟的道路空洞形态分类方法联合表征，具有更高的空间分辨率和测量精度；随后提取SIFT特征并采用SVM分类器准确分类道路结构中空洞病害的形态。本发明对三维GPR实测图像解译和提高检测结果判定的可靠性具有重要的指导意义，能够为城市道路地下空洞雷达实测数据的分析提供指导。
-
公开(公告)号：CN112819732A
公开(公告)日：2021-05-18
申请号：CN202110415692.6
申请日：2021-04-19
Applicant: 中南大学
Abstract: 一种探地雷达B‑scan图像去噪方法，其中包括以下步骤：步骤1：探地雷达GPR在地表对预先埋有管线目标的单一背景介质区域进行探测，获取Z幅GPR B‑scan图像构成无噪GPR标签数据集；步骤2：利用每种含噪GPR数据集及其对应的无噪GPR标签数据集训练多尺度卷积自编码器；所述多尺度卷积自编码器包括一个编码器E、一个解码器D；步骤3：将待去噪的GPR图像输入至训练好的多尺度卷积自编码器，通过编码和解码，输出去噪后的GPR图像，并计算去噪后GPR图像的信噪比，验证多尺度卷积自编码器的去噪效果，本发明能够将低信噪比情况下的含噪GPR图像有效去噪。
-
公开(公告)号：CN107292343A
公开(公告)日：2017-10-24
申请号：CN201710484540.5
申请日：2017-06-23
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据，对所选择的各波段二维图像数据进行空间均值滤波，再将每个像元对应的多波段数据进行格式转换，将一维矢量转换为一个方阵，即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器，包括输入层，第一卷积层，最大池化层，第二卷积层，全连接层，输出层；提取若干个像元对应的方阵数据作为训练集，输入该分类器并对分类器加以训练；提取若干个像元对应的方阵数据作为测试集，输入至训练完毕的分类器中，观察训练器输出的分类结果，并与真实的分类信息相比对，验证分类器的性能。本发明的分类准确率比现有的5-CNN方法更高。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.015 seconds)
