-
公开(公告)号：CN110766657B
公开(公告)日：2022-03-18
申请号：CN201910893060.3
申请日：2019-09-20
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种激光干扰图像质量评价方法，包括：获取激光干扰图像及其对应的参考图像；采用相同卷积网络分别对激光干扰图像和参考图像依次进行多次不同层次特征提取的卷积池化操作；计算激光干扰图像和参考图像经相同次卷积池化时得到的特征向量之间的相似度，并对所有相似度之间进行加权计算得到图像质量评分。本发明在激光干扰图像质量评估中引入卷积网络，利用参考图像和干扰图像在卷积网络各卷积层输出特征的相识度，度量干扰图像的失真程度，充分利用卷积网络提取特征的层次性和对遮挡的敏感性。另外，将所有卷积池化对应的相似度值作加权计算，最终评价得分符合实际人眼主观感知，可靠性高，不需要检测目标和光斑的位置，应用场景较广。
-
公开(公告)号：CN110766658A
公开(公告)日：2020-02-07
申请号：CN201910899277.5
申请日：2019-09-23
Applicant: 华中科技大学
Abstract: 本发明公开了一种无参考激光干扰图像质量评价方法，属于图像处理领域，该方法包括：构建支撑向量回归器；该支撑向量回归器包括：局部特征提取模块，对输入图像进行局部信息估计，得到局部信息估计特征；自然场景统计特征提取模块，对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；质量评分模块，根据局部信息估计特征和自然场景统计特征，对输入图像质量进行评分；将干扰图像数据集输入支撑向量回归器进行训练，得到训练好的支撑向量回归器；将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。本发明能够真实描述激光干扰图像的失真，在不需要参考图像的基础上准确反映激光干扰图像的质量损失。
-
公开(公告)号：CN110751181A
公开(公告)日：2020-02-04
申请号：CN201910900427.X
申请日：2019-09-23
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于总和池化特征的目标识别方法，属于模式识别领域，该方法包括：对待识别图像进行尺寸归一化后作为训练集和测试集；构建目标识别模型并进行训练；该目标识别模型包括特征提取模块、总和池化特征构造模块和目标判别模块；其中，总和池化特征构造模块，对特征图中各位置对应的特征向量进行总和池化，并对总和池化后的特征图进行归一化和尺度缩放，输出总和池化特征；目标判别模块，根据总和池化特征计算得到输入图像属于各类目标的得分，并将得分最高者作为识别结果。本发明通过构造总和池化特征，保留了原始特征图的通道结构，并合理利用其细节信息，解决了目标识别过程中，不同类型目标差异细微，难以区分的问题。
-
公开(公告)号：CN110716792A
公开(公告)日：2020-01-21
申请号：CN201910888965.1
申请日：2019-09-19
Applicant: 华中科技大学
Abstract: 本发明公开了一种目标检测器及其构建方法和应用，方法包括：搭建Faster R-CNN目标检测模型框架，包括区域建议网络模块RPN和多个级联的多核多背景检测结构；采用RPN生成训练样本集；基于训练样本集及其权重分布，采用损失函数迭代训练多个级联的多核多背景检测结构，得到Faster R-CNN目标检测模型；其中每次迭代训练时训练完每一个多核多背景检测结构后，更新权重分布且其中损失函数值大的训练样本则其权重大，并基于更新的权重分布以及当前多核多背景检测结构产生的回归样本，训练级联的下一多核多背景检测结构。本发明在Faster R-CNN中引入多个级联的多核多背景检测结构，并基于权重分布及其更新进行训练，提高整个检测器分类精度，使其在复杂背景下有较好的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN110716792B
公开(公告)日：2023-06-06
申请号：CN201910888965.1
申请日：2019-09-19
Applicant: 华中科技大学
IPC: G06F9/46 , G06F18/24 , G06N3/0464
Abstract: 本发明公开了一种目标检测器及其构建方法和应用，方法包括：搭建Faster R‑CNN目标检测模型框架，包括区域建议网络模块RPN和多个级联的多核多背景检测结构；采用RPN生成训练样本集；基于训练样本集及其权重分布，采用损失函数迭代训练多个级联的多核多背景检测结构，得到Faster R‑CNN目标检测模型；其中每次迭代训练时训练完每一个多核多背景检测结构后，更新权重分布且其中损失函数值大的训练样本则其权重大，并基于更新的权重分布以及当前多核多背景检测结构产生的回归样本，训练级联的下一多核多背景检测结构。本发明在Faster R‑CNN中引入多个级联的多核多背景检测结构，并基于权重分布及其更新进行训练，提高整个检测器分类精度，使其在复杂背景下有较好的检测性能。
-
公开(公告)号：CN110766657A
公开(公告)日：2020-02-07
申请号：CN201910893060.3
申请日：2019-09-20
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种激光干扰图像质量评价方法，包括：获取激光干扰图像及其对应的参考图像；采用相同卷积网络分别对激光干扰图像和参考图像依次进行多次不同层次特征提取的卷积池化操作；计算激光干扰图像和参考图像经相同次卷积池化时得到的特征向量之间的相似度，并对所有相似度之间进行加权计算得到图像质量评分。本发明在激光干扰图像质量评估中引入卷积网络，利用参考图像和干扰图像在卷积网络各卷积层输出特征的相识度，度量干扰图像的失真程度，充分利用卷积网络提取特征的层次性和对遮挡的敏感性。另外，将所有卷积池化对应的相似度值作加权计算，最终评价得分符合实际人眼主观感知，可靠性高，不需要检测目标和光斑的位置，应用场景较广。
-
公开(公告)号：CN110766658B
公开(公告)日：2022-06-14
申请号：CN201910899277.5
申请日：2019-09-23
Applicant: 华中科技大学
Abstract: 本发明公开了一种无参考激光干扰图像质量评价方法，属于图像处理领域，该方法包括：构建支撑向量回归器；该支撑向量回归器包括：局部特征提取模块，对输入图像进行局部信息估计，得到局部信息估计特征；自然场景统计特征提取模块，对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；质量评分模块，根据局部信息估计特征和自然场景统计特征，对输入图像质量进行评分；将干扰图像数据集输入支撑向量回归器进行训练，得到训练好的支撑向量回归器；将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。本发明能够真实描述激光干扰图像的失真，在不需要参考图像的基础上准确反映激光干扰图像的质量损失。
-
公开(公告)号：CN110017832B
公开(公告)日：2020-10-16
申请号：CN201910207587.6
申请日：2019-03-19
Applicant: 华中科技大学
Abstract: 本发明公开一种基于Gauss解群优选的短弧初轨确定方法，属于天文动力学领域。包括：将观测数据进行分组，对每组数据，采用Gauss方法求出对应时刻的目标状态矢量，构成初步估计的解集；将初步估计的解集拆分为位置分矢量解集和速度分矢量解集，分别进行分群，得到位置分矢量解群和速度分矢量解群；基于位置分矢量解群和速度分矢量解群，生成二维轨迹解集；采用轨迹优选的方法对每条二维轨迹进行评估，计算最优二维轨迹对应轨道根数，完成初轨确定。本发明对观测数据进行分组，对每组数据调用Gauss，加大数据的利用程度，结合多组数据最终确定的短弧目标轨道根数更贴近真实。采用Gauss解群优选进行轨迹评估，最优二维轨迹的轨道根数作为估计解，解决了多根问题。
-
公开(公告)号：CN110017832A
公开(公告)日：2019-07-16
申请号：CN201910207587.6
申请日：2019-03-19
Applicant: 华中科技大学
Abstract: 本发明公开一种基于Gauss解群优选的短弧初轨确定方法，属于天文动力学领域。包括：将观测数据进行分组，对每组数据，采用Gauss方法求出对应时刻的目标状态矢量，构成初步估计的解集；将初步估计的解集拆分为位置分矢量解集和速度分矢量解集，分别进行分群，得到位置分矢量解群和速度分矢量解群；基于位置分矢量解群和速度分矢量解群，生成二维轨迹解集；采用轨迹优选的方法对每条二维轨迹进行评估，计算最优二维轨迹对应轨道根数，完成初轨确定。本发明对观测数据进行分组，对每组数据调用Gauss，加大数据的利用程度，结合多组数据最终确定的短弧目标轨道根数更贴近真实。采用Gauss解群优选进行轨迹评估，最优二维轨迹的轨道根数作为估计解，解决了多根问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
