-
公开(公告)号：CN115661643A
公开(公告)日：2023-01-31
申请号：CN202211290434.0
申请日：2022-10-21
申请人： 武汉大学
IPC分类号： G06V20/10 , G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明提供了一种细粒度辅助的可见光遥感图像飞机目标检测方法及设备。所述方法包括：步骤1至步骤7。本发明能够有效利用飞机目标的细粒度属性来辅助分类，并且在GF‑RarePlanes数据集上得到的预训练模型具有良好的泛化能力，能够有效提高飞机目标检测精度。
-
公开(公告)号：CN114973008A
公开(公告)日：2022-08-30
申请号：CN202210513584.7
申请日：2022-05-11
申请人： 武汉大学
摘要： 本发明公开了一种面向高分辨率光学遥感图像目标检测的自监督学习方法，通过设计针对遥感图像目标特性的一系列预测任务，在通用的图像级特征的自监督学习的基础上添加了对于目标级特征的自监督学习。融合了高分辨率光学遥感图像地物目标空间敏感、旋转敏感以及尺度不变性的主要特点，优化网络对于目标特征的提取能力，更好的适配下游的遥感图像目标检测任务。相对于通用的基于图像级特征的自监督学习方法，本发明公开的方法能够充分地挖掘更加细粒的目标级别的特征。本发明可以有效地应用到基于深度学习的遥感图像的目标检测任务中去，提高检测的性能。
-
公开(公告)号：CN114005085B
公开(公告)日：2024-09-27
申请号：CN202111259984.1
申请日：2021-10-28
申请人： 武汉大学
IPC分类号： G06V20/52 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
摘要： 本发明提出了一种视频中密集人群分布检测与计数方法。首先获取大量含不同密度人群的视频构建数据集；然后构建多尺度特征融合和注意力机制的深度神经网络，将训练集输入至网络，输出对应的人群密度图和注意力图的预测结果，结合真实密度图和注意力图构建损失函数模型进行训练，生成优化后的网络；通过优化后的多尺度特征融合和注意力机制的深度神经网络预测得到人群视频图像的密度图，进一步用基于网格的分层次密度空间聚类方法对估计密度图进行点聚类来识别组群，快速得到组群的人数和位置信息。本发明能解决摄像机透视失真、尺度变化和背景噪声影响的问题，提高了计数精度和稳定性；同时，对人群进行组群划分，可以直观显示出人群的分布情况。
-
公开(公告)号：CN114973008B
公开(公告)日：2024-08-27
申请号：CN202210513584.7
申请日：2022-05-11
申请人： 武汉大学
IPC分类号： G06V20/13 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0895
摘要： 本发明公开了一种面向高分辨率光学遥感图像目标检测的自监督学习方法，通过设计针对遥感图像目标特性的一系列预测任务，在通用的图像级特征的自监督学习的基础上添加了对于目标级特征的自监督学习。融合了高分辨率光学遥感图像地物目标空间敏感、旋转敏感以及尺度不变性的主要特点，优化网络对于目标特征的提取能力，更好的适配下游的遥感图像目标检测任务。相对于通用的基于图像级特征的自监督学习方法，本发明公开的方法能够充分地挖掘更加细粒的目标级别的特征。本发明可以有效地应用到基于深度学习的遥感图像的目标检测任务中去，提高检测的性能。
-
公开(公告)号：CN115170898A
公开(公告)日：2022-10-11
申请号：CN202210558764.7
申请日：2022-05-20
申请人： 武汉大学
IPC分类号： G06V10/774 , G06V10/82 , G06V20/13 , G06N3/08 , G06V20/10
摘要： 本发明公开了一种自监督学习训练加速方法，通过提取网络损失的梯度归一化值来实现对样本难度的评估，之后基于样本的难度评分在训练时采样难度合适的数据进行训练，有限的计算资源下加快网络的收敛，实现更高效地自监督学习。相对于通用的自监督学习训练方法，在同样的计算设备下，本发明公开的方法能够节省约50％的训练时间，本发明可以有效地应用到基于深度学习的自监督学习任务中去，有效地加快收敛，节约计算资源。
-
公开(公告)号：CN109934871A
公开(公告)日：2019-06-25
申请号：CN201910123394.2
申请日：2019-02-18
申请人： 武汉大学
摘要： 本发明提供一种面向高危环境的智能无人机抓取目标的系统和方法。本发明通过结合无人机技术、图像处理技术以及一些机械学方面的技术，将无人机应用于高危环境下的异物清理工作。同时，利用多种传感器，采用同时定位与制图算法、目标检测算法和目标定位算法，实现对感兴趣目标的精确检测、精准定位和稳定抓取。相对于传统的人工清理异物的方法，本发明自动化程度高，效率高，安全系数高，可广泛应用于高危环境下的异物清理工作中。
-
公开(公告)号：CN114972934A
公开(公告)日：2022-08-30
申请号：CN202210522221.X
申请日：2022-05-13
申请人： 武汉大学
IPC分类号： G06V10/778 , G06V10/764 , G06V10/774
摘要： 本发明公开了一种面向遥感图像表征的对比自监督学习方法，通过采集异源的卫星影像构建遥感自监督学习训练数据集，利用同步的随机裁切保证成对视图之间的语义一致性，同时依赖异源卫星由于传感器型号、拍摄视角、访问时间等差异带来的成像上的差异构成天然的数据增广，平衡了不同视图的多样性；再结合异步的教师‑学生网络模型，实现对遥感图像的对比自监督学习。相对于通用的对比自监督学习方法，本发明公开的方法能够有效的避免由于随机增广导致的语义不一致性，进而损害遥感图像自监督学习表征的性能。本发明可以有效地应用到基于深度学习的遥感图像的解译任务中去，有效地降低对于遥感图像人工标注的依赖。
-
公开(公告)号：CN114005085A
公开(公告)日：2022-02-01
申请号：CN202111259984.1
申请日：2021-10-28
申请人： 武汉大学
IPC分类号： G06V20/52 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提出了一种视频中密集人群分布检测与计数方法。首先获取大量含不同密度人群的视频构建数据集；然后构建多尺度特征融合和注意力机制的深度神经网络，将训练集输入至网络，输出对应的人群密度图和注意力图的预测结果，结合真实密度图和注意力图构建损失函数模型进行训练，生成优化后的网络；通过优化后的多尺度特征融合和注意力机制的深度神经网络预测得到人群视频图像的密度图，进一步用基于网格的分层次密度空间聚类方法对估计密度图进行点聚类来识别组群，快速得到组群的人数和位置信息。本发明能解决摄像机透视失真、尺度变化和背景噪声影响的问题，提高了计数精度和稳定性；同时，对人群进行组群划分，可以直观显示出人群的分布情况。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.02 秒)
