公开(公告)号：CN119540526A

公开(公告)日：2025-02-28

申请号：CN202411588124.6

申请日：2024-11-08

Applicant: 杭州电子科技大学

Inventor： 彭冬亮 ,  钱一任 ,  谷雨

IPC: G06V10/25 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464

Abstract: 本发明公开了一种基于多尺度特征增强的单帧红外弱小目标检测方法，包括如下步骤：步骤1、获取单帧红外图像构建单帧红外图像数据集，并划分为训练集和测试集；步骤2、构建一个红外弱小目标检测网络模型，所述红外弱小目标检测网络以YOLOv5网络模型为基础网络，所述YOLOv5网络模型包括主干特征提取网络、特征融合网络和检测头；在所述主干特征提取网络中引入了多尺度特征增强模块，所述多尺度特征增强模块包括依次串联的上下文特征融合模块与特征细节增强模块；步骤3、设计训练策略，根据训练策略将训练集作为输入训练红外弱小目标检测网络模型；步骤4、完成训练后，输入测试集进行红外弱小目标检测网络模型的测试和评估。

公开(公告)号：CN119417018A

公开(公告)日：2025-02-11

申请号：CN202411373903.4

申请日：2024-09-29

Applicant: 杭州电子科技大学

Inventor： 左燕 ,  陈修恒 ,  付建涛 ,  方峰 ,  彭冬亮

IPC: G06Q10/063 ,  G06Q10/04 ,  G06Q50/06 ,  G06N3/092 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明公开了一种基于强化指针网络的可充电式无人机数据采集方法，该方法首先构建可充电式无人机场景，获取无人机相关的数据。其次构建指针网络短期预测模型，对获取的数据进行状态编码，将状态编码后的结果输入编码器获得中间变量；再用解码器通过中间变量得到隐藏层信息，利用注意力机制结合短期预测获得下一时刻无人机的动作，直到所有的传感器数据被采集完成。最后利用策略梯度方法训练指针网络短期预测模型，生成行动者网络和评论者网络，利用奖励函数计算更新梯度不断进行更新，使奖励收敛。本发明针对可充电式无人机数据采集问题，效优化其后续的决策行为，增大无人机在当前电量情况下做出更优的行为策略的概率。

公开(公告)号：CN119150108A

公开(公告)日：2024-12-17

申请号：CN202411658987.6

申请日：2024-11-20

Applicant: 杭州电子科技大学

Inventor： 刘俊 ,  陈帅 ,  薛安克 ,  彭冬亮 ,  谷雨 ,  宋士吉 ,  张杰 ,  韩利

IPC: G06F18/241 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045

Abstract: 本发明公开了一种基于多源信息特征级融合的舰船分类方法，首先获取舰船目标的HRRP和SAR原始雷达数据，并对HRRP原始雷达数据预处理，生成两种格式的HRRP样本。其次在第一种格式的HRRP样本上进行特征提取，构成传统特征。然后构建时序网络模型分支，以第二种格式的HRRP样本作为输入，并嵌入传统特征，输出混合特征；构建二维卷积模型分支，将SAR原始雷达数据通过轻量级的CNN网络，提取舰船目标结构特征。最后设计注意力加权机制的特征融合模块，将混合特征与舰船目标结构特征加权融合，输出舰船分类结果。本发明解决了自动目标雷达识别基于单一模态数据识别精度和性能有限的问题，提高分类准确率。

公开(公告)号：CN114155491B

公开(公告)日：2024-04-23

申请号：CN202111494779.3

申请日：2021-12-09

Applicant: 杭州电子科技大学

Inventor： 刘俊 ,  陈振 ,  杨旺奇 ,  谷雨 ,  陈华杰 ,  彭冬亮

IPC: G06V20/52 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于AIS数据的船舶行为识别方法及系统，其中涉及的一种基于AIS数据的船舶行为识别方法，包括：S1.获取船舶自动识别系统AIS的原始数据，并对获取到的原始数据进行预处理，得到船舶行为的数据集；S2.预构建时序和视觉网络双融合的船舶行为识别网络，并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练，得到训练好的船舶行为识别网络模型；S3.将所要识别的船舶轨迹数据输入船舶行为识别网络模型中，输出船舶轨迹数据的行为识别结果。

公开(公告)号：CN113673565B

公开(公告)日：2024-02-09

申请号：CN202110807631.4

申请日：2021-07-16

Applicant: 杭州电子科技大学

Inventor： 申屠晗 ,  张浩野 ,  荣英姣 ,  郭云飞 ,  彭冬亮

IPC: G06F18/25 ,  G06F18/10 ,  G06F30/20

Abstract: 本发明公开了一种多传感器GM‑PHD自适应序贯融合多目标跟踪方法。针对密集杂波下的多传感器多目标跟踪问题，本发明提出了一套完整的处理方法流程，引入幅值信息到GM‑PHD滤波器中，通过目标与杂波的幅值特性，设置检测阈值对原始量测进行筛选，消除大量杂波，得到有效量测，并提出了一种基于有效量测累积幅值似然比的融合顺序优化方法，结合分布式序贯融合框架进行多传感器融合。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

公开(公告)号：CN116704274A

公开(公告)日：2023-09-05

申请号：CN202310823416.2

申请日：2023-07-06

Applicant: 杭州电子科技大学

Inventor： 彭冬亮 ,  刘克伟 ,  李焘 ,  谷雨 ,  陈华杰

IPC: G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及基于空间相关性注意力的红外和可见光图像融合方法，包括以下步骤：S1：读取红外和可见光图像；S2：将红外和可见光图像分别输入编码器提取4种尺度的深度特征；S3：将红外的深度特征和可见光图像的深度特征输入融合网络；S4：在融合网络中，对输入融合网络的相应尺度的红外图和可见光图像特征计算空间相关性注意力权重并将空间相关性注意力权重作用于红外和可见光图像的特征；S5：在融合网络中，对空间注意力作用后的特征利用交叉残差网络进一步融合；S6：根据融合特征构建融合图像；该方法针有效解决了红外和可见光图像像素级融合任务中细粒度信息丢失的问题。

公开(公告)号：CN115878983A

公开(公告)日：2023-03-31

申请号：CN202211597492.8

申请日：2022-12-12

Applicant: 杭州电子科技大学

Inventor： 薛梦凡 ,  江浩东 ,  彭冬亮 ,  李焘 ,  韩璐 ,  郑建楠 ,  宋怡然

IPC: G06F18/213 ,  G06F18/25 ,  G06F17/16 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于多层次交互融合的多模态数据场景识别方法。使用自动驾驶场景下车载传感器收集的视频数据和车载数据，分别提取三种单模态特征，包括基于双阶段注意力机制的多示例学习获取视频中2D级别的特征；通过多层时空注意力网络提取出场景视频中的3D时空特征，同时加入了车载信息特征向量一起训练，进行交互；以及对车载信息特征向量进行训练。完成三个模态的特征提取后，进行相似度损失的计算，在训练过程中最大化三个模态的相似部分，并基于多层自注意力网络对三个模态的特征进行交互，最后进行分类操作。该方法能利用已有的视频和车载信息交互，补充信息，提高识别场景识别速度和精度。

公开(公告)号：CN115119142A

公开(公告)日：2022-09-27

申请号：CN202210713276.9

申请日：2022-06-22

Applicant: 杭州电子科技大学

Inventor： 彭冬亮 ,  翁一鸣 ,  陈志坤

IPC: H04W4/02 ,  H04W64/00 ,  G06F30/18 ,  G06F17/16 ,  G06F17/18 ,  G06F30/20 ,  G06K9/62 ,  G06N3/00

Abstract: 本发明公开了一种基于传感器网络的分布式直接定位方法。目前的分布式直接定位算法低信噪比下定位精度较低的问题。为提高分布式直接定位精度，本发明采用如下方案：一、推导了基于子空间数据融合算法的高分辨率直接定位分布式优化模型。二、针对目标位置初始值求解的问题，采用基于向量评估的粒子群算法得到目标位置迭代初始值的粗估计，然后利用传统聚类算法得到目标位置迭代初始值，避免了传统两步定位算法参数匹配的问题。三、引入分布式优化领域中的精确一阶算法，通过两步梯度信息迭代求解达到集中式直接定位的精度，解决分布式处理导致定位精度损失的问题。

公开(公告)号：CN114970533A

公开(公告)日：2022-08-30

申请号：CN202210593349.5

申请日：2022-05-27

Applicant: 杭州电子科技大学

Inventor： 彭冬亮 ,  杨雪晨 ,  谷雨 ,  刘俊 ,  薛安克

IPC: G06F40/295 ,  G06F16/387 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种融合相对位置特征的深度学习军事武器实体识别方法。包括：1)基于公开数据构建中文军事武器领域数据集。2)针对公开数据上实体存在的问题，制定军事武器实体识别规则。3)根据数据集作为模型训练的原始数据，采用扁平晶格网络实现字词向量的生成和提取相对位置特征信息。4)以训练结果为输入，加入多头自注意力机制结构对输入文本中的长距离依赖进行建模。5)以训练结果为输入，结合实体识别规则，采用CRF方法作为标签解码器输出全局最优标注序列。本发明解决长距离建模难题与增强上下文特征提取，使得军事武器命名实体识别任务更精准高效。

公开(公告)号：CN114937225A

公开(公告)日：2022-08-23

申请号：CN202210614670.7

申请日：2022-05-30

Applicant: 杭州电子科技大学

Inventor： 薛梦凡 ,  郑建楠 ,  彭冬亮 ,  宋怡然 ,  江浩东

IPC: G06V20/40 ,  G06V40/20 ,  G06V10/82 ,  G06V10/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于通道‑时间特征的行为识别方法，该方法构建了一个多模块block用于替换ResNet‑50网络第2～第5层中的block。所述多模块block包括通道注意力模块、长期时序模块、短期时序模块。其中，通道注意力模块与SE block结构相似，通过对特征通道间的相关性进行建模，强化重要的特征，使得网络就可以学习通过全局信息来有选择性的加强包含有用信息的特征并抑制无用特征；长期时序模块参考了STM模块，通过沿时间维度移动特征图来执行有效的时间建模，实现跨时域的信息交互；短期时序模块通过计算特征级的帧差信息，实现对局部运动信息的表征，增强对运动信息敏感特征。