-
公开(公告)号:CN116630794B
公开(公告)日:2024-02-06
申请号:CN202310457764.2
申请日:2023-04-25
申请人: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC分类号: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/766 , G06V10/764 , G06T7/73 , G06V10/82 , G06N3/048 , G06N3/08
摘要: 本发明涉及一种基于排序样本选择的遥感图像目标检测方法、电子设备,获取遥感图像及对应的目标标签,并进行预处理;通过特征提取主干网络以及特征金字塔网络,得到对应的多尺度特征图;构建分类分支网络以及位置及角度回归分支网络,对多尺度特征图进行预测,获得目标预测值;利用目标标签以及预测值,在多尺度特征图上计算得到交并比自适应阈值,筛选样本点以获得满足条件的正负样本;计算分类排序损失、定位排序损失以及回归损失进行网络训练;重复执行上述步骤,训练检测模型;利用检测模型进行检测。本发明,缓解正负样本不均衡导致传统分类能力难以学习的问题,促进目标检测性能提升,对高分辨率遥感图像旋转框目标检测具有重要意义。
-
公开(公告)号:CN116630794A
公开(公告)日:2023-08-22
申请号:CN202310457764.2
申请日:2023-04-25
申请人: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC分类号: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/766 , G06V10/764 , G06T7/73 , G06V10/82 , G06N3/048 , G06N3/08
摘要: 本发明涉及一种基于排序样本选择的遥感图像目标检测方法、电子设备,获取遥感图像及对应的目标标签,并进行预处理;通过特征提取主干网络以及特征金字塔网络,得到对应的多尺度特征图;构建分类分支网络以及位置及角度回归分支网络,对多尺度特征图进行预测,获得目标预测值;利用目标标签以及预测值,在多尺度特征图上计算得到交并比自适应阈值,筛选样本点以获得满足条件的正负样本;计算分类排序损失、定位排序损失以及回归损失进行网络训练;重复执行上述步骤,训练检测模型;利用检测模型进行检测。本发明,缓解正负样本不均衡导致传统分类能力难以学习的问题,促进目标检测性能提升,对高分辨率遥感图像旋转框目标检测具有重要意义。
-
-
公开(公告)号:CN116563680B
公开(公告)日:2024-02-06
申请号:CN202310493846.2
申请日:2023-05-05
申请人: 北京卫星信息工程研究所
IPC分类号: G06V10/80 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
摘要: 本发明涉及一种基于高斯混合模型的遥感图像特征融合方法、电子设备,通过特征提取主干网络提取输入遥感图像特征,得到不同层级位置的特征图;构建特征融合网络并对不同层级位置的特征图进行融合,获得遥感图像目标的多特征图;构建多个高斯混合模型拟合多特征图,获得高斯混合模型的参数;对多个高斯混合模型进行加权平均融合,利用融合后的高斯混合模型生成数据并与原始特征图拼接;利用融合特征图输入检测模型的检测头,进行遥感图像检测,计算分类、位置预测损失;重复执行上述步骤,训练检测模型;利用检测模型进行检测。本发明,提升了模型分类和定位出遥感图像中的感兴趣目标的能力,提高遥感图像目标定位准确性,提高模型检测能力。
-
公开(公告)号:CN116645448B
公开(公告)日:2023-12-22
申请号:CN202310457856.0
申请日:2023-04-25
申请人: 北京卫星信息工程研究所
IPC分类号: G06T11/40 , G06V10/74 , G06V20/13 , G06V10/82 , G06V10/764 , G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06N3/096
摘要: 本发明涉及一种光学遥感影像的定量云自动添加方法及装置,所述方法包括:对真实无云光学遥感影像和真实有云光学遥感影像进行预处理;构建基于循环生成对抗网络的深度神经迁移网络;利用预处理后的真实无云光学遥感影像和真实有云光学遥感影像对所述基于循环生成对抗网络的深度神经迁移网络进行训练学习,实现云量的定量添加。通过实施本发明的上述方案,可以实现自动生成包含不同比例云的高质量典型目标的光学遥感影像训练样本。
-
公开(公告)号:CN116486085A
公开(公告)日:2023-07-25
申请号:CN202310474551.0
申请日:2023-04-27
申请人: 北京卫星信息工程研究所
摘要: 本发明涉及一种遥感图像的场景描述方法,包括:S100,根据遥感图像构建遥感知识词库;S200,根据Mask2Former网络对所述遥感图像进行全景分割,得到全景分割结果并生成语义分割结果;S300,引入语义扩充模块,根据所述全景分割结果和所述语义分割结果对所述遥感图像进行语义扩充;S400,以ResNet特征提取网络为基础,引入基于通道的注意力模块,提取所述遥感图像中不同通道的语义特征信息;S500,以LSTM场景描述网络为基础,引入知识融合模块,生成关于所述遥感图像的场景描述语句。本发明能更加准确地描述高分遥感图像所携带的丰富语义及空间信息,可应用于遥感图像智能解译、遥感图像大数据管理等领域,具有广阔的前景。
-
公开(公告)号:CN116485652A
公开(公告)日:2023-07-25
申请号:CN202310465820.7
申请日:2023-04-26
申请人: 北京卫星信息工程研究所
IPC分类号: G06T3/40 , G06T7/13 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/54 , G06N3/0464 , G06N3/048 , G06N3/082
摘要: 本发明涉及一种遥感影像车辆目标检测的超分辨率重建方法,包括:构建不同场景下丰富的高分辨率遥感影像数据集,对所述高分辨率遥感影像数据集进行预处理;根据所述高分辨率遥感影像数据集得到对应的低分辨率遥感影像数据集,构建目标超分重建数据集;提取所述低分辨率遥感影像数据集中低分辨率遥感影像的边缘特征;构建超分辨率重建模型,利用所述目标超分重建数据集和所述边缘特征训练优化所述超分辨率重建模型;利用所述超分辨率重建模型对目标进行高分辨率恢复和重建。通过实施本发明的上述方案,有效解决车辆目标因呈现出弱小特性而导致其检测率较低的问题,有效改善目标重建质量并降低重建的计算开销。
-
公开(公告)号:CN115825938B
公开(公告)日:2023-07-25
申请号:CN202211396665.X
申请日:2022-11-09
申请人: 北京卫星信息工程研究所
摘要: 本发明涉及一种星载天波雷达系统与上电离层探测方法,所述系统包括:天基天波雷达系统和地面数据反演系统,所述天基天波雷达系统包括:星载杆状偶极子天线(10),用于采用正侧视探测方式对电离层进行探测,并接收雷达回波信号;雷达信号收发控制模块(20),用于对所述星载杆状偶极子天线(10)连续发射雷达信号、接收雷达回波信号以及各自的时序进行控制;以及雷达数据处理模块(30),用于在轨处理所述雷达回波信号,得到BP图像数据;所述地面数据反演系统包括:电离层参数反演模块(40),用于对所述BP图像数据进行反演,重建电离层的位置和等离子体密度分布。本发明可实现大范围、高精度的上电离层散射位置及等离子体密度分布的特征探测。
-
公开(公告)号:CN115272857B
公开(公告)日:2023-04-07
申请号:CN202210900863.9
申请日:2022-07-28
申请人: 北京卫星信息工程研究所
IPC分类号: G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82
摘要: 本发明涉及一种基于注意力机制的多源遥感图像目标识别方法,包括:获取多源遥感图像及其对应的目标类别标签,并进行预处理;提取预处理后的多源遥感图像中的目标特征,对所述目标特征进行过滤,得到多源目标的关键特征;构建特征融合编码器并对所述关键特征进行融合,获得隐层特征数据;构建特征解码器并重构所述隐层特征数据;利用重构的隐层特征数据和所述关键特征对所述特征融合编码器和所述特征解码器进行优化;利用分类网络对所述隐层特征数据进行分类识别。本发明不仅实现多源遥感图像中的目标识别,还可提高识别的精度。
-
公开(公告)号:CN114998749B
公开(公告)日:2023-04-07
申请号:CN202210900855.4
申请日:2022-07-28
申请人: 北京卫星信息工程研究所
IPC分类号: G06V20/10 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/764 , G06V10/774 , G06V10/82
摘要: 本发明涉及一种用于目标检测的SAR数据扩增方法,包括:获取原始SAR图像数据集及其标注信息;对所述原始SAR图像数据集进行目标检测,结合所述标注信息,构建负样本集;利用所述标注信息获得所述原始SAR图像数据集中的目标样本,构建方位角目标样本集;构建基于自注意力机制的生成对抗网络,利用所述负样本集和所述方位角目标样本集对所述生成对抗网络进行迭代训练;评估所述生成对抗网络生成的样本质量,获得高质量的生成样本;在所述原始SAR图像数据集中插入所述高质量的生成样本,以及对应的标注信息。本发明实现SAR数据的自动扩增,提升SAR图像目标识别任务训练集中目标样本的多样性和均衡性。
-
-
-
-
-
-
-
-
-