-
公开(公告)号：CN107993214A
公开(公告)日：2018-05-04
申请号：CN201711420967.5
申请日：2017-12-25
Applicant: 北京航空航天大学
IPC: G06T5/00
Abstract: 本发明涉及一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统，包括：分析估计器、均衡化校正器；其中，分析估计器包括以下模块：色偏估计器、上下界保边滤波估计；均衡化校正器完成色偏修正、上下界估计值和裕量常数均衡化校正器。首先，针对受黄色雾霾影响的成像图像，构建去黄色雾霾的色偏估计器；然后，建立上下界支撑估计计算模型，提出双向迭代保边滤波器，利用双向迭代保边滤波器在线计算出的上界面估计和下界面估计，解算上下界支撑曲面；接着，利用图像各点对应的色偏估计器输出以及上下界估计值和裕量常数的调节系数，均衡化校正各通道亮度，对图像序列在线增强；本发明具有抗黄色雾霾能力强的特点，且同时具备图像去雾和图像增强双重效果，在线处理后的图像通透清晰、色彩鲜亮自然、还原度高，同时达到亮度均衡和抑制光晕效果，目标突出显著。
-
公开(公告)号：CN107967695A
公开(公告)日：2018-04-27
申请号：CN201711422448.2
申请日：2017-12-25
Applicant: 北京航空航天大学
CPC classification number: G06T7/246 , G06N3/0454 , G06T2207/10016 , G06T2207/20081
Abstract: 本发明公开了一种基于深度光流和形态学方法的运动目标检测方法，包括以下步骤：(1)收集视频数据，标注样本视频，并随机分成训练集和测试集，对已经处理好的训练集和测试集在做均值计算，形成训练集均值文件和测试集均值文件，完成对训练集和测试集的预处理；(2)构建全卷积神经网络架构，由编码和解码两部分构成，利用训练集和测试集，通过自适应学习率调整算法进行训练，得到训练好的模型参数；(3)将需要进行检测的图像数据输入到训练好的全卷积神经网络中，得到对应的深度光流图；(4)运用大津阈值自适应阈值分割方法处理得到的深度光流图；(5)对阈值分割后的数据进行形态学处理，去除孤立点和缝隙，最终得到检测到的运动目标区域。
-
公开(公告)号：CN101839987A
公开(公告)日：2010-09-22
申请号：CN201010182057.X
申请日：2010-05-19
Applicant: 北京航空航天大学
Abstract: 本发明设计了一种适合于低信噪比、高动态、有惯性导航系统(INS)辅助或独立工作等多种使用环境，根据需要自动调整性能，使之能适应不同的工作环境，并尽可能达到最佳信息利用率的GPS软件接收机。该发明包括首先根据信号强度独立调节每个跟踪通道的跟踪带宽；其次是结合长时非相关积分和短时相关积分的优势，设计了一种高灵敏度实时输出的跟踪环路；再次使用固定区间估计的方法，实现了接收机晶振频率误差模型的实时估计；最后在深组合基础上，提高了捕获速度和弱信号跟踪的动态性能。本发明能充分利用所有可探测的卫星信号，当存在INS信息辅助时，可利用其辅助信息提高弱信号的跟踪动态性能，同时加速新星搜索。
-
公开(公告)号：CN118741263A
公开(公告)日：2024-10-01
申请号：CN202410952868.5
申请日：2024-07-16
Applicant: 北京航空航天大学
IPC: H04N21/81 , H04N21/854 , H04N21/44 , G06N3/096 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供了一种基于潜在一致性模型的视频生成方法及装置，包括：获取待处理视频的信息和文本描述；对所述待处理视频第一帧进行时空条件处理，采用图像生成中的一致性蒸馏策略，结合所述时空条件处理，对现有的潜在扩散模型进行优化，对所述处理后的信息与文本描述进行潜在一致性模型训练；其中，所述潜在一致性模型训练执行前向扩散操作，生成噪声视频；将所述生成的噪声视频输入到学生模型和教师模型中，以预测去噪后的视频，最终生成视频。本发明能够有效减少视频生成过程中对大量采样步骤的需求，并保持视频在空间和运动方面的一致性，从而确保高质量视频的高效合成。
-
公开(公告)号：CN118710689A
公开(公告)日：2024-09-27
申请号：CN202410801280.X
申请日：2024-06-20
Applicant: 北京航空航天大学
IPC: G06T7/33 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于区域相似性的可见光与红外图像配准方法，所述方法包括：用角点特征明显的图形渲染合成数据集，在该合成数据集上训练一个关键点检测器；对可见光和红外的配准图像对进行放缩与灰度处理，输入关键点检测器生成对应的关键点坐标，并将带关键点的红外和可见光图像做随机单应变换，模拟图像对之间的变换关系，通过Delaunay三角剖分生成网格，处理点集的拓扑关系和三角网格生成；将变换后的图像对输入描述符生成网络中，设计基于区域的损失函数，对网格之间的配准关系进行训练。所述方法有效解决了跨模态图像匹配中的角点不一致问题，实现了高精度、高抗干扰能力的图像配准，可应用于遥感图像处理、目标跟踪等领域。
-
Patent Agency Ranking
公开(公告)号：CN118552743A
公开(公告)日：2024-08-27
申请号：CN202410903226.6
申请日：2024-07-08
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种面向点云数据的稀疏代理注意力特征提取方法。所述方法包括，设计了一种基于稀疏代理的点云自注意力模块，该模块使用少量的稀疏代理代表场景中各个部分的高层次抽象信息，使用稀疏交叉注意力在稀疏代理和原始点云之间交换信息，并且利用在稀疏代理之间的全局注意力实现信息的全局融合；同时设计了一种双流的模型结构以将该模块整合入已有的模型中。通过这两种特殊设计，得到的网络模型得以以很高的效率提取高质量的点云特征，进而提升后续在目标检测、语义分割任务上的准确性。
-
公开(公告)号：CN118351410A
公开(公告)日：2024-07-16
申请号：CN202410475463.7
申请日：2024-04-19
Applicant: 北京航空航天大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/40 , G06V20/64 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本发明提出了一种基于稀疏代理注意力的多模态三维检测方法，利用代理概念实现了高效的同模态下的特征提取与端到端的跨模态的数据融合。本发明首先提出了一种多模态通用的稀疏代理注意力模块，利用空间代理相关先验简化了注意力计算的复杂度，并实现了算子的高效的并行化加速与相关优化。其次，本发明实现同模态与跨模态下的高效代理融合方法，实现了基于代理的多模态融合模型。相比直接基于体素与图像进行融合，基于代理的融合即减少了计算与内存的压力，又增大融合时的感受野，从而提升了模型检测的性能。
-
公开(公告)号：CN115294478B
公开(公告)日：2024-04-05
申请号：CN202210897206.3
申请日：2022-07-28
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种应用于现代光电平台的空中无人机目标检测方法，包括无人机候选区域提取，候选区域评价、定位目标的正确性判断和结果处理。无人机候选区域提取是对灰度图进行多尺度滤波、提取差值图边缘、形态学运算和连通域操作得到候选区域。候选区域评价部分是基于候选区域均值和长宽比、邻域的均值和方差建立的评分机制，将最高得分的候选区域确定为定位目标。目标的正确性判断通过比较定位目标在当前帧和五帧后的状态，来判断定位目标是否正确。结果处理是当定位目标正确时完成检测，否则重新执行检测。
-
公开(公告)号：CN116883681B
公开(公告)日：2024-01-30
申请号：CN202310999356.X
申请日：2023-08-09
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于对抗生成网络的域泛化目标检测方法。首先构造特征提取网络对输入图像特征进行提取；构造域激励注意力模块对特征提取网络提取的特征进行进一步提取，提高其域泛化能力；构造特征金字塔网络FPN对特征提取网络特征进行多尺度融合；构造对抗生成网络正则化模块，将FPN提取的特征与标准高斯分布进行对齐，避免FPN过拟合；构造检测头网络，预测检测目标的位置、类别与目标中心位置；构造目标中心对齐模块，对FPN提取的特征进行对抗训练，进一步提升FPN提取特征的域泛化能力。
-
公开(公告)号：CN117036918A
公开(公告)日：2023-11-10
申请号：CN202310999333.9
申请日：2023-08-09
Applicant: 北京航空航天大学
IPC: G06V20/00 , G06V10/74 , G06V10/774 , G06V10/82 , G06V10/44 , G06V10/25 , G06N3/0464 , G06N3/088 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于域适应的红外目标检测方法，以提高目标检测网络在无标注红外图片上的检测性能，使用域适应技术，减少网络对于标注信息的依赖，在缺少目标域标注信息的情况下，也能够实现相应目标的检测。使用双阶段检测网络，相比于单阶段检测网络，先进行感兴趣区域的提取，再把相应区域的特征统一到固定的大小，再通过检测分类。最后采用了基于观测的动态权重调整的学习策略，代替了传统的手工设定权重的方法，能够根据稳定程度调整该损失项在总损失项中的占比，进而达到更好的训练效果。
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.063 seconds)
