-
公开(公告)号：CN112446327B
公开(公告)日：2022-06-07
申请号：CN202011357230.5
申请日：2020-11-27
申请人： 中国地质大学(武汉)
IPC分类号： G06V20/13 , G06V20/40 , G06K9/62 , G06V10/764 , G06V10/80
摘要： 本发明提供一种基于无锚框的遥感图像目标检测方法，包括以下：建立无锚框的遥感图像目标检测模型，包括：特征提取网络、特征金字塔和无锚框检测器；获取遥感图像，并进行滑动分区，分割得到小尺寸图像；将小尺寸图像输入到特征提取网络中，利用特征金字塔结构，得到三个不同尺度的特征图；将特征图分别输入到无锚框检测器中进行预测，得到目标预测结果；设计多指标融合的损失函数，利用目标预测结果和多指标融合的损失函数完成目标检测模型的训练，得到训练完成的目标检测模型；利用训练完成的目标检测模型进行遥感图像目标检测。本发明提供的有益效果是：建立了一个超参数量少、模型复杂度低、检测精度高的遥感图像目标检测模型。
-
公开(公告)号：CN112446327A
公开(公告)日：2021-03-05
申请号：CN202011357230.5
申请日：2020-11-27
申请人： 中国地质大学(武汉)
摘要： 本发明提供一种基于无锚框的遥感图像目标检测方法，包括以下：建立无锚框的遥感图像目标检测模型，包括：特征提取网络、特征金字塔和无锚框检测器；获取遥感图像，并进行滑动分区，分割得到小尺寸图像；将小尺寸图像输入到特征提取网络中，利用特征金字塔结构，得到三个不同尺度的特征图；将特征图分别输入到无锚框检测器中进行预测，得到目标预测结果；设计多指标融合的损失函数，利用目标预测结果和多指标融合的损失函数完成目标检测模型的训练，得到训练完成的目标检测模型；利用训练完成的目标检测模型进行遥感图像目标检测。本发明提供的有益效果是：建立了一个超参数量少、模型复杂度低、检测精度高的遥感图像目标检测模型。
-
公开(公告)号：CN112327923B
公开(公告)日：2022-04-01
申请号：CN202011303855.3
申请日：2020-11-19
申请人： 中国地质大学(武汉)
IPC分类号： G05D1/10
摘要： 本发明提供一种多无人机协同路径规划方法，包括以下步骤：无人机群获取地图环境中的包括起始点位置、障碍点和存在的雷达坐标，建立作战环境二维栅格图；依据得到的二维栅格图，通过各无人机路径长度和所受到的威胁强度构建多无人机的优化目标；采用随机生成路径点和Q学习结合的方式实现种群的初始化，得到各无人机路径的初始种群；依据优化目标，采用改进的粒子群算法对初始种群进行优化；得到种群最优粒子，输出无人机集群中各无人机的航路，本发明以多无人机整体效益为优化目标，保证了各无人机飞行路径的安全性和高效性。
-
公开(公告)号：CN112327923A
公开(公告)日：2021-02-05
申请号：CN202011303855.3
申请日：2020-11-19
申请人： 中国地质大学(武汉)
IPC分类号： G05D1/10
摘要： 本发明提供一种多无人机协同路径规划方法，包括以下步骤：无人机群获取地图环境中的包括起始点位置、障碍点和存在的雷达坐标，建立作战环境二维栅格图；依据得到的二维栅格图，通过各无人机路径长度和所受到的威胁强度构建多无人机的优化目标；采用随机生成路径点和Q学习结合的方式实现种群的初始化，得到各无人机路径的初始种群；依据优化目标，采用改进的粒子群算法对初始种群进行优化；得到种群最优粒子，输出无人机集群中各无人机的航路，本发明以多无人机整体效益为优化目标，保证了各无人机飞行路径的安全性和高效性。
-
公开(公告)号：CN112381226B
公开(公告)日：2022-07-19
申请号：CN202011281112.0
申请日：2020-11-16
申请人： 中国地质大学(武汉)
摘要： 本发明提供一种基于粒子群算法的深度卷积神经网络架构搜索方法，包括以下：构建基于结构块的卷积神经网络架构；构建形状为(2,8,2)的三维数组，将所述卷积神经网络架构编码为粒子；根据粒子在图像验证集上的分类精度计算粒子的适应值，得到粒子个体历史最优解pBest和粒子种群历史最优解gBest；根据粒子个体历史最优解pBest和粒子种群历史最优解gBest，更新粒子群，达到迭代次数后得到最优的卷积神经网络架构。本发明提供的有益效果是：提出了一种新颖的直接编码策略，将网络架构编码为粒子，利用粒子群算法自动搜索最佳网络架构，实现深度卷积神经网络架构的自动设计。
-
公开(公告)号：CN112381226A
公开(公告)日：2021-02-19
申请号：CN202011281112.0
申请日：2020-11-16
申请人： 中国地质大学(武汉)
摘要： 本发明提供一种基于粒子群算法的深度卷积神经网络架构搜索方法，包括以下：构建基于结构块的卷积神经网络架构；构建形状为(2,8,2)的三维数组，将所述卷积神经网络架构编码为粒子；根据粒子在图像验证集上的分类精度计算粒子的适应值，得到粒子个体历史最优解pBest和粒子种群历史最优解gBest；根据粒子个体历史最优解pBest和粒子种群历史最优解gBest，更新粒子群，达到迭代次数后得到最优的卷积神经网络架构。本发明提供的有益效果是：提出了一种新颖的直接编码策略，将网络架构编码为粒子，利用粒子群算法自动搜索最佳网络架构，实现深度卷积神经网络架构的自动设计。
-
公开(公告)号：CN110458192B
公开(公告)日：2022-06-14
申请号：CN201910606191.9
申请日：2019-07-05
申请人： 中国地质大学(武汉)
IPC分类号： G06V10/764 , G06K9/62 , G06V20/13 , G06V10/25 , G06V10/30 , G06V10/40 , G06V10/77 , G06V10/80
摘要： 本发明公开了一种基于视觉显著性的高光谱遥感图像分类方法及系统，本发明主要解决高光谱遥感图像特征提取时空间信息利用率低的问题，由于空间维度的信息能够直观地反映地物的真实形状与类别，而视觉显著性机制能够通过智能算法模拟人的视觉特点，本发明提取图像中的显著区域(即人类感兴趣的区域)，通过对显著性特征进行提取，能在没有先验信息的条件下检测与周围背景存在差异的目标,突出了图像的主要内容,降低了图像处理分析的复杂度，最后结合光谱信息进行分类，能够有效降低分类误差，提高分类精度。
-
公开(公告)号：CN113435474A
公开(公告)日：2021-09-24
申请号：CN202110570353.5
申请日：2021-05-25
申请人： 中国地质大学(武汉)
摘要： 本发明提供一种基于双生成对抗网络的遥感图像融合方法，包括制作训练数据集；利用光谱生成对抗网络生成光谱增强图像EMS；利用空间生成对抗网络生成空间增强图像EPAN；将光谱增强图像EMS和空间增强图像EPAN输入到融合网络中得到融合图像。本发明通过生成器和判别器的不断对抗博弈，充分保留了原始图像的空间和光谱信息；采用双生成对抗网络，分别训练模型，有效减少模型训练次数。
-
公开(公告)号：CN113359820A
公开(公告)日：2021-09-07
申请号：CN202110591320.9
申请日：2021-05-28
申请人： 中国地质大学(武汉)
IPC分类号： G05D1/10
摘要： 本发明提供一种基于DQN的无人机路径规划方法，首先用栅格法生成训练集；设置障碍的奖励函数，并初始化强化学习的Q值；构建DQN中的卷积神经网络，并训练模型；在DQN中构建图像分割网络Mask R‑NN，并使用遥感图像对训练好的Mask R‑NN进行测试；将Mask R‑CNN网络输出的栅格图输入到已经训练好的模型，最终输出成功通过障碍到达终点的遥感图像。本发明实现DQN算法在真实环境图像中进行路径规划，为DQN在真实环境中路径规划研究做铺垫。
-
公开(公告)号：CN110458192A
公开(公告)日：2019-11-15
申请号：CN201910606191.9
申请日：2019-07-05
申请人： 中国地质大学(武汉)
摘要： 本发明公开了一种基于视觉显著性的高光谱遥感图像分类方法及系统，本发明主要解决高光谱遥感图像特征提取时空间信息利用率低的问题，由于空间维度的信息能够直观地反映地物的真实形状与类别，而视觉显著性机制能够通过智能算法模拟人的视觉特点，本发明提取图像中的显著区域(即人类感兴趣的区域)，通过对显著性特征进行提取，能在没有先验信息的条件下检测与周围背景存在差异的目标,突出了图像的主要内容,降低了图像处理分析的复杂度，最后结合光谱信息进行分类，能够有效降低分类误差，提高分类精度。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.024 秒)
