-
公开(公告)号：CN118968012A
公开(公告)日：2024-11-15
申请号：CN202410877321.3
申请日：2024-07-02
申请人： 华中科技大学
IPC分类号： G06V10/25 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要： 本发明公开了基于多尺度注意力特征叠加的红外小目标检测模型建立方法及检测方法，属于红外小目标检测领域，模型建立方法包括：获取包含红外小目标的红外图像集，对各图像中小目标所在的目标框，以及目标像素和背景像素进行标注；利用标注后的红外图像集对初始检测网络进行训练，得到红外小目标检测模型；初始检测网络中，多尺度区域候选网络用于提取输入图像不同尺度的特征，提取各尺度特征的空间注意力后，基于空间注意力将不同尺度的特征融合到一起，并由此筛选出包含红外小目标的目标框；语义提取器获取目标框的语义特征后，由分割编码器识别出其中各像素属于小目标的概率，得到红外小目标检测结果。本发明能够提高红外小目标的检测质量。
-
公开(公告)号：CN115861595B
公开(公告)日：2024-05-24
申请号：CN202211448179.8
申请日：2022-11-18
申请人： 华中科技大学
IPC分类号： G06V10/25 , G06V10/75 , G06V10/764 , G06V10/774 , G06N20/00
摘要： 本发明公开了一种基于深度学习的多尺度域自适应异源图像匹配方法，属于图像匹配技术领域，包括：利用多尺度域自适应的特征提取网络提取异源图像中更加高级的特征，这些特征为异源图像的共有特征，利用共有特征能够更好的对不同源的图像进行精确匹配。其中，引用的金字塔分割注意力模块，能够很好的提取出不同尺度的图像特征，使得训练得到得网络模型能更好地适用尺度的变化。引入了条件域归一化的特征映射，使得训练的模型能够很好的适应不同源图像的数据分布。本发明利用PSA模块获得图像更多尺度的特征，用条件域归一化的特征映射来减小异源图像的特征差异，从而提高了异源图像匹配的精度，由此解决异源图像匹配的精度低的技术问题。
-
公开(公告)号：CN112801146B
公开(公告)日：2024-03-19
申请号：CN202110039522.2
申请日：2021-01-13
申请人： 华中科技大学
IPC分类号： G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T3/4038
摘要： 本发明公开了一种目标检测方法和系统，针对目标检测任务需要自注意力关注特定类别目标对应原始图像所在区域的特点，将注意力机制运用于目标检测中，所设计的网络结构不同于通用的元学习网络框架，采用分类分支层所得的类别概率监督与特征提取层连接的类别注意力层，从而引导回归分支层进行目标位置的计算，实现基于类别区分的自监督注意力机制，提升目标检测模型的检测精度。进一步地，结合小样本目标检测任务由于小样本数量较少，网络难以学习到小样本特征的特点，将大样本图像和小样本图像进行拼接，作为样本图像对目标检测模型进行训练，使得网络兼顾学习大样本图像和小样本图像，从提升目标检测模型的对小样本的检测能力。
-
公开(公告)号：CN116524367A
公开(公告)日：2023-08-01
申请号：CN202310385765.0
申请日：2023-04-12
申请人： 华中科技大学
IPC分类号： G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/094
摘要： 本发明公开了一种物理可实现约束的车辆目标反识别方法、系统及存储介质，属于深度学习方法的对抗攻击领域，方法包括：训练阶段：获取物理世界对抗目标车辆的遥感图像；确定对抗块在所述遥感图像中的生成位置及大小；根据对抗块生成位置及大小生成相应的随机初始对抗块，得到对抗样本图像；将所述对抗样本图像输入车辆检测网络，训练对抗块颜色组成，直至损失收敛或者达到设定的训练次数，输出训练好的对抗块；预测阶段：利用训练好的对抗块进行物理可实现约束的车辆目标反识别。本发明的方法具有物理可实现性及较高的适用性，可应用于特种车辆针对深度神经网络车辆检测器的外观防护处理，增强特种车辆在面对深度神经网络车辆检测器时的隐蔽性。
-
公开(公告)号：CN113744136A
公开(公告)日：2021-12-03
申请号：CN202111165041.2
申请日：2021-09-30
申请人： 华中科技大学
摘要： 本发明公开基于通道约束多特征融合的图像超分辨率重建方法和系统，属于超分辨率图像重建领域。包括：获取同一场景下高空间分辨率高光谱、低空间分辨率高光谱和高空间分辨率多光谱图像图像对构建训练集；搭建双通道超分辨率网络，包括：特征提取模块，用于从同一场景下的低空间分辨率高光谱和高空间分辨率多光谱图像中同时提取空谱特征；特征融合模块，用于融合同一场景下的多光谱图像的空间信息与高光谱图像的光谱信息；图像重建模块，用于重建得到重建图像；训练网络，直至重建图像与原始图像对应光谱向量中各元素变化规律一致；获取待重建场景下的低空间分辨率高光谱和高空间分辨率多光谱图像，输入至训练好网络，得到重建超分辨率高光谱图像。
-
公开(公告)号：CN110245678B
公开(公告)日：2021-10-08
申请号：CN201910376172.1
申请日：2019-05-07
申请人： 华中科技大学
摘要： 本发明公开了一种基于异构孪生区域选取网络的图像匹配方法，属于计算机视觉领域。包括依次串联的异构孪生网络和区域匹配网络；异构孪生网络用于提取模板图的特征图和待匹配图的特征图；区域匹配网络用于根据模板图的特征图和待匹配图的特征图，得到区域匹配结果；异构孪生网络包括相互并联的子网络A和子网络B，每个子网络为依次串联的特征提取模块、特征融合模块和最大值池化模块，两个子网络各模块均相同，仅特征提取模块的首层卷积的卷积核不同。本发明将异构孪生区域选取网络应用于图像匹配，实现非固定尺度模板与待匹配图的输入，充分利用图像多层特征，有效提升了匹配方法的性能，增加了匹配的成功率与速度。
-
公开(公告)号：CN108665485B
公开(公告)日：2021-07-02
申请号：CN201810342324.1
申请日：2018-04-16
申请人： 华中科技大学
摘要： 本发明公开了一种基于相关滤波与孪生卷积网络融合的目标跟踪方法，包括：利用第一卷积网络提取已知目标位置的第(t‑1)帧图像的目标特征图，利用第二卷积网络提取第t帧图像的搜索特征图；对第(t‑1)帧图像的目标特征图进行快速傅里叶变换得到第(t‑1)帧图像的目标区域，对第t帧图像的搜索特征图进行相关滤波得到第t帧图像的搜索区域，计算第t帧图像的搜索区域和第(t‑1)帧图像的目标区域之间的互相关性，得到第t帧图像的目标得分图，根据第t帧图像的目标得分图得到第t帧图像的目标位置；进而得到视频序列中每一帧图像的目标位置，实现对视频序列的目标跟踪。本发明可以克服光照，遮挡，姿态和尺度的影响进行实时目标跟踪。
-
公开(公告)号：CN110245683A
公开(公告)日：2019-09-17
申请号：CN201910394582.9
申请日：2019-05-13
申请人： 华中科技大学
摘要： 本发明公开了一种少样本目标识别的残差关系网络构建方法及应用，包括：获取原始图像集，并将原始图像集中每张原始图像转换为多张不同分辨率的预处理图像；构建残差关系网络结构，包括特征扩展模块，用于基于每张预处理图像对应的原始图像的分辨率及该张预处理图像的分辨率，将预处理图像对应的低分辨率图像特征图扩展为高分辨率图像特征图；基于所有预处理图像，采用多类回归损失函数，训练残差关系网络结构。本发明将用于训练关系网络的训练集中的图像先进行分辨率转换，且引入特征扩展模块，能够有效适应少量且分辨率不同的图像样本集进行目标识别的实际情况，提高了少样本目标识别算法的泛化能力，降低了对图像样本分辨率的敏感性。
-
公开(公告)号：CN106934455B
公开(公告)日：2019-09-06
申请号：CN201710078795.1
申请日：2017-02-14
申请人： 华中科技大学
摘要： 本发明公开了一种基于CNN的遥感影像光学适配结构选取方法及系统。其中，方法的实现包括：学习阶段，利用从遥感图像中选取的目标光学适配结构作为学习样本，设计出一种光学适配结构自动选取CNN模型；选取阶段，将待选取遥感影像切割成若干片元，经CNN分类模型，识别其中的适配结构，并用非极大值抑制滤掉低适配率的重复区域，最后通过基于相关峰的独特性分析(主次峰值比、最高锋锐度)，确保识别的光学适配结构在遥感影像中没有重复模式。首次将CNN应用到光学适配结构自动选取上，考虑了光学适配结构的稳定性、独特性，能较好的选出光学适配结构，能适应多个尺度和旋转，具有较强的适应性。
-
公开(公告)号：CN108734659A
公开(公告)日：2018-11-02
申请号：CN201810473375.8
申请日：2018-05-17
申请人： 华中科技大学
摘要： 本发明公开了一种基于多尺度标签的亚像素卷积图像超分辨率重建方法，包括：建立并训练一个由特征提取结构、残差模块、上采样结构、特征重建结构以及跨尺度跳跃连接结构组成的基于多尺度标签的亚像素卷积网络,并使用该网络完成图像的超分辨率重建工作。将输入图像由RGB颜色空间转换到YCbCr颜色空间。其中，Cb、Cr两个通道使用双三次插值上采样的方法完成超分辨率重建工作。Y通道送入到训练好的网络中，输出Y通道的超分辨率重建图像。融合Y、Cb、Cr通道的超分辨率重建图像，得到最终的高分辨率图像。本发明可以快速准确地得到超分辨率图像，得到的超分辨率图像无论是在主观评测还是在客观图像质量评价方面，都能取得很好的效果。
-
-
-
-
-
-
-
-
-
搜索结果
130 条记录 (耗时 0.039 秒)
