-
公开(公告)号：CN114445721A
公开(公告)日：2022-05-06
申请号：CN202210088142.2
申请日：2022-01-25
IPC分类号： G06V20/13 , G06V10/40 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种轻量化SAR图像舰船目标斜框检测方法及系统，该方法包括：构建轻量化骨干网络；在轻量化骨干网络的输出端构建轻量化特征融合结构；在轻量化特征融合结构的输出端构建轻量化多任务预测分支结构，得到第一轻量化斜框检测模型；对第一轻量化斜框检测模型进行训练，得到第二轻量化斜框检测模型；将舰船目标的SAR图像输入第二轻量化斜框检测模型，得到舰船目标的类别和位置。本发明在保持检测精度的同时，提高了检测速度。
-
公开(公告)号：CN113420630A
公开(公告)日：2021-09-21
申请号：CN202110671650.9
申请日：2021-06-17
摘要： 本发明涉及一种基于从头训练的SAR图像舰船目标检测方法和系统。所述基于从头训练的SAR图像舰船目标检测方法，针对深度学习检测算法用于SAR图像时的不足，设计了包括骨干网络SAR‑SDB和前端网络SAR‑SDF的舰船目标检测模型，以用于实现目标的精确检测。骨干网络SAR‑SDB具有较强的特征表达能力，降低了通道个数，减少了模型尺寸和计算量，避免了过拟合问题。采用前端网络SAR‑SDF有助于提高目标分类和定位的精度，进而在提高检测准确率的同时，降低了目标检测模型尺寸和目标检测时间。
-
公开(公告)号：CN112733963B
公开(公告)日：2023-02-21
申请号：CN202110134064.0
申请日：2021-02-01
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
摘要： 本发明提供了一种通用图像目标分类方法及系统，方法包括：当训练数据集中各类样本是否存在数据不均衡问题时，将所述训练数据集中各类样本依次输入神经网络进行粗调训练，获得神经网络的初始参数；对训练数据集中各类样本内的图像进行扩充，获得扩充数据集；采用批量内均衡方法根据扩充数据集构造多个训练样本列表；将多个所述训练样本列表依次输入到已求出初始参数的神经网络进行微调训练，获得神经网络的最终参数；将待分类图像输入到已求出最终参数的神经网络进行分类，获得初始分类结果；采用阈值移动方法将所述初始分类结果进行阈值移动，获得最终分类结果，进一步提高了类别间样本不均衡条件下的目标分类精度。
-
公开(公告)号：CN113536936B
公开(公告)日：2022-10-11
申请号：CN202110671595.3
申请日：2021-06-17
IPC分类号： G06V20/13 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种舰船目标检测方法及系统，该方法包括：构建目标检测模型的网络结构：循环特征金字塔网络的输入为ResNet网络中各残差单元的最后一层特征图，输出各残差单元的融合特征图；各残差单元的融合特征图输入旋转区域建议网络，输出与旋转锚框对应的融合特征图，旋转锚框对应的融合特征图输入到多比例可旋转RoI池化层，输出连接全连接层；多比例可旋转RoI池化层用于生成固定长度的向量；训练目标检测模型；将待检测合成孔径雷达图像输入训练好的目标检测模型，获得目标检测结果；目标检测结果包括目标的角度、类别和位置。本发明实现不同尺度和不同角度的船舰目标检测，提高了检测准确度。
-
公开(公告)号：CN113361439B
公开(公告)日：2022-06-17
申请号：CN202110673322.2
申请日：2021-06-17
IPC分类号： G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种SAR图像舰船目标识别方法。该SAR图像舰船目标识别方法通过提出的类别间样本不平衡处理技术(包括基于数据增强的上采样处理和按比例生成批量方法)对训练数据进行预处理，在提升训练数据多样性的同时，使送入网络的训练数据保持类别间平衡；通过提出的用于SAR图像舰船目标识别的密集残差网络，可以在学习更多新特征的同时实现对原始特征的再利用；通过提出的基于中心损失的损失函数，调整网络模型参数，实现了对类内紧凑性和类间可分性的同时优化。在OpenSARShip上的识别结果表明所设计的密集残差网络比现有采用的神经网络具有更高的准确率、更小的模型尺寸和更小的计算量。
-
公开(公告)号：CN114491413A
公开(公告)日：2022-05-13
申请号：CN202210088269.4
申请日：2022-01-25
摘要： 本发明涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及系统，包括：基于传感器观测到的观测值得到状态估计集，并对所述状态估计集进行划分，得到有效划分集；基于所述有效划分集确定后验概率密度函数；基于所述有效划分集得到参数概率密度函数集；基于所述参数概率密度函数集，采用最小交叉熵优化方法，对所述后验概率密度函数进行逐步优化，得到最优后验概率密度函数；基于所述最优后验概率密度函数，得到最优状态划分；基于所述最优状态集生成各个目标的航迹。本发明能较好地解决目标相邻或交叉运动时的航迹生成问题。
-
公开(公告)号：CN113536936A
公开(公告)日：2021-10-22
申请号：CN202110671595.3
申请日：2021-06-17
摘要： 本发明涉及一种舰船目标检测方法及系统，该方法包括：构建目标检测模型的网络结构：循环特征金字塔网络的输入为ResNet网络中各残差单元的最后一层特征图，输出各残差单元的融合特征图；各残差单元的融合特征图输入旋转区域建议网络，输出与旋转锚框对应的融合特征图，旋转锚框对应的融合特征图输入到多比例可旋转RoI池化层，输出连接全连接层；多比例可旋转RoI池化层用于生成固定长度的向量；训练目标检测模型；将待检测合成孔径雷达图像输入训练好的目标检测模型，获得目标检测结果；目标检测结果包括目标的角度、类别和位置。本发明实现不同尺度和不同角度的船舰目标检测，提高了检测准确度。
-
公开(公告)号：CN114550004A
公开(公告)日：2022-05-27
申请号：CN202210087480.4
申请日：2022-01-25
摘要： 本发明涉及一种SAR图像舰船目标斜框检测方法及系统，所述方法包括：构建网络模型；所述网络模型中包括：ResNet‑101主干网络、特征融合模块、特征精炼模块以及多任务分支模块；所述ResNet‑101主干网络、特征融合模块、特征精炼模块以及多任务分支模块依次连接；获取训练集；采用所述训练集对所述网络模型进行训练；将SAR图像输入至训练好的网络模型中，得到目标位置的边框。本发明中的上述方法基于双重注意力机制设计了特征精炼模块，进一步提升了近岸目标的检测精度。
-
公开(公告)号：CN113361439A
公开(公告)日：2021-09-07
申请号：CN202110673322.2
申请日：2021-06-17
摘要： 本发明涉及一种SAR图像舰船目标识别方法。该SAR图像舰船目标识别方法通过提出的类别间样本不平衡处理技术(包括基于数据增强的上采样处理和按比例生成批量方法)对训练数据进行预处理，在提升训练数据多样性的同时，使送入网络的训练数据保持类别间平衡；通过提出的用于SAR图像舰船目标识别的密集残差网络，可以在学习更多新特征的同时实现对原始特征的再利用；通过提出的基于中心损失的损失函数，调整网络模型参数，实现了对类内紧凑性和类间可分性的同时优化。在OpenSARShip上的识别结果表明所设计的密集残差网络比现有采用的神经网络具有更高的准确率、更小的模型尺寸和更小的计算量。
-
公开(公告)号：CN112733963A
公开(公告)日：2021-04-30
申请号：CN202110134064.0
申请日：2021-02-01
摘要： 本发明提供了一种通用图像目标分类方法及系统，方法包括：当训练数据集中各类样本是否存在数据不均衡问题时，将所述训练数据集中各类样本依次输入神经网络进行粗调训练，获得神经网络的初始参数；对训练数据集中各类样本内的图像进行扩充，获得扩充数据集；采用批量内均衡方法根据扩充数据集构造多个训练样本列表；将多个所述训练样本列表依次输入到已求出初始参数的神经网络进行微调训练，获得神经网络的最终参数；将待分类图像输入到已求出最终参数的神经网络进行分类，获得初始分类结果；采用阈值移动方法将所述初始分类结果进行阈值移动，获得最终分类结果，进一步提高了类别间样本不均衡条件下的目标分类精度。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.055 秒)
