-
公开(公告)号：CN119881893A
公开(公告)日：2025-04-25
申请号：CN202411954944.2
申请日：2024-12-27
Applicant: 北京理工大学
Abstract: 本申请实施例提供一种基于三次样条插值改进的ω‑k算法在FPGA上的实现方法，所述方法包括：获取雷达回波数据和Stolt映射后的矩阵数据，其中，雷达回波数据包括原始距离向频率轴和单行距离向回波数据；通过原始距离向频率轴和单行距离向回波数据构建三对角线性方程组；基于设定算法求解三对角线性方程组的三次样条系数；对原始距离向频率轴进行处理，查询数据点的插值区间段索引；基于插值区间段索引和三次样条系数，对插值点进行插值操作，得到该插值点对应的插值数据，并将该插值数据与Stolt映射后的矩阵数据进行结合；从而实现优化ω‑k成像算法中的Stolt映射，降低传统方式下sinc插值造成的硬件资源消耗，简化Stolt映射流程，有效提高插值精度。
-
公开(公告)号：CN118411304A
公开(公告)日：2024-07-30
申请号：CN202410505245.3
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06T5/70 , G06T7/11 , G06T5/60 , G06N3/084 , G06N3/0895
Abstract: 本发明提供一种基于盲点网络的SAR图像自监督去噪方法和系统，其中，方法包括：获取SAR图像，根据SAR图像得到同态噪声图像；构建掩膜映射器，根据同态噪声图像和掩膜映射器，得到去噪掩膜图像和去噪SAR图像；构建全局映射器，根据去噪掩膜图像和全局映射器，得到去噪盲点图像；构建多任务重现损失函数，重复进行损失值计算，直至损失函数收敛，得到目标去噪网络；获取待去噪SAR图像，输入至目标去噪网络，得到去噪图像。本发明无需在干净SAR图像情况下进行去噪网络的训练，能迁移到现有的去噪网络上，保证图像每个像素点都被充分利用，避免信息损失，更好地保留图像纹理、边缘等信息，解决目前网络无法训练及去噪效果差的问题。
-
公开(公告)号：CN118411289A
公开(公告)日：2024-07-30
申请号：CN202410506792.3
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种基于生成对抗网络的SAR图像超分辨率方法，本发明基于构建两个基于深度学习的模型，分别为可学习的退化模型和超分辨率重建SR模型，引入CycleGAN的架构中，共同训练。通过CycleGAN的对抗损失、真实LR‑SAR图像和合成LR‑SAR图像的MAE像素级损失，以及真实HR图像和生成的SR图像特征图之间的感知损失，引导生成更高质量的SR‑SAR图像。相对于传统的SAR超分辨率方法，本方案采用真实的成对数据集，通过训练模型以学习真实SAR图像HR‑LR域之间的内在关系，从而生成质量更高的超分辨率重建的图像。
-
公开(公告)号：CN118314444A
公开(公告)日：2024-07-09
申请号：CN202410515120.9
申请日：2024-04-26
Applicant: 北京理工大学
IPC: G06V10/94 , G06V10/764 , G06V10/44 , G06V20/13
Abstract: 一种面向星载遥感应用的遥感场景分类方法，应用于星载遥感应用的边缘设备，边缘设备上设置有FPGA，FPGA上设置有全加网络加速器，全加网络加速器包括M个依次连接的全加网络加速引擎，M大于1，方法包括：FPGA从边缘设备获取图像数据，图像数据为星载遥感卫星拍摄的图像数据；通过全加网络加速器对图像数据进行处理，确定图像数据的特征；其中，全加网络加速器设置在FPGA上；FPGA将图像数据的特征返回边缘设备，边缘设备基于图像数据的特征，确定图像数据的遥感分类结果。通过在边缘设备的FPGA上设置全加网络加速器的方式，可以对边缘设备获取到的图像数据进行快速的处理，确定图像数据的遥感场景分类。
-
公开(公告)号：CN117593640A
公开(公告)日：2024-02-23
申请号：CN202311560406.0
申请日：2023-11-21
Applicant: 北京理工大学
Abstract: 本发明属于光学遥感图像成像技术领域，具体涉及一种基于频域特征挖掘的光学遥感图像目标检测系统及方法。该系统由双路径组成，分别为空域分支和频域分支。本方法设计了一个应用于遥感图像目标检测的频域分支，采用DCT变换构建频域特征，并设计了独特的卷积和Transformer混合的频域特征强化网络模块吧。本方法设计了一个独特的频域‑空域特征融合模块，有效的实现了空域特征和频域特征的融合，达到了补充空域特征缺失的重要空间细节特征的效果。
-
Patent Agency Ranking
公开(公告)号：CN112198509B
公开(公告)日：2024-02-09
申请号：CN202010884825.X
申请日：2020-08-28
Applicant: 北京理工大学
IPC: G01S13/90
Abstract: 本发明公开了多通道星载SAR星上实时处理的方位频谱逆滤波重建方法，涉及合成孔径雷达技术领域，能够有效减少频谱重建方法所需存储量，适用星载SAR星上实时处理。本发明的技术方案包括如下步骤：构建频谱重建逆滤波系数W0。分析逆滤波系数分段更新对成像质量的影响，根据分析结果确定分段更新的聚焦深度取值Nmax。根据分段更新的聚焦深度取值Nmax，得到按照方位频点分段更新的逆滤波系数W1。将多通道数据分别进行傅里叶变换，得到的频谱为方位模糊的频谱。利用逆滤波系数W1针对方位模糊的频谱进行逆滤波，恢复出方位无模糊的频谱P，完成多通道SAR频谱重建。
-
公开(公告)号：CN117152072A
公开(公告)日：2023-12-01
申请号：CN202311067434.9
申请日：2023-08-23
Applicant: 北京理工大学
IPC: G06T7/00 , G06V20/10 , G06V10/62 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09 , G06N3/048
Abstract: 本发明公开了一种基于两阶段特征金字塔网络的遥感图像变化检测方法，将两张不同时间同一地点的图像分别进行编码特征提取获得两个图像的编码特征图，将编码特征图进行相似性处理和自注意力空间增强处理获得初始差异注意力特征图，通过第一阶段特征金字塔处理和第二阶段特征金字塔处理获得重优化变化特征图，通过损失函数进行深度监督和优化获得优化后的两阶段特征金字塔网络模型，基于优化后的两阶段特征金字塔网络模型进行检测获得检测结果。本发明可以很好地在高分辨率遥感场景下进行变化检测，在面对类不平衡、目标尺度差异过大的遥感场景也能取得良好效果，提升了高分辨率遥感场景中变化检测的各类衡量指标。
-
公开(公告)号：CN116627091A
公开(公告)日：2023-08-22
申请号：CN202211073843.5
申请日：2022-09-02
Applicant: 北京理工大学 , 中国人民解放军61646部队
IPC: G05B19/418
Abstract: 本发明涉及一种多种类任务的动态调度方法，属于任务的动态调度技术领域。本发明结合任务多种类的特点与处理需求，首先对下发的计划文件字段内容进行解析，发送实时特定消息来实现任务计划信息交互，并根据得到的计划信息进行任务优先级排序，完成任务的动态调度。任务优先级排序采用多种属性判断的划分逻辑：根据任务的紧急性与重要性排列出基本处理顺序，然后针对不同任务类型与不同任务处理方式，在基本顺序调度机制的基础上，完成任务优先级的判断并设置任务处理优先级，完成多种类任务动态调度方法的实时应用。
-
公开(公告)号：CN116580243A
公开(公告)日：2023-08-11
申请号：CN202310594974.6
申请日：2023-05-24
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06V20/13 , G06N3/0455 , G06N3/0895 , G06V10/40 , G06V10/774
Abstract: 本发明公开了一种掩码图像建模引导域适应的跨域遥感场景分类方法，包括：构建域适应网络，对自编码器进行无标注的自监督预训练，得到预训练后的自编码器模型参数；将自编码器模型参数加载到自编码器中，将数据输入到域适应网络中，利用自编码器对源域图像和目标域图像进行掩码图像建模；利用特征适应模块对齐源域和目标域的高级语义特征分布；以及基于数据构建总体目标损失函数，并优化总体目标损失函数来迭代训练域适应网络，移除自编码器的解码器部分，利用自编码器的编码器和特征适应模块测试目标域图像，获得良好的场景分类结果。本发明在进行域不变特征提取的过程中保留域特定特征，进一步提升对于无标注数据目标域的分类泛化能力。
-
公开(公告)号：CN116503732A
公开(公告)日：2023-07-28
申请号：CN202310326057.X
申请日：2023-03-30
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于域适应的无监督SAR图像舰船目标检测方法，通过从像素级和特征级逐步将光学图像域中的知识迁移到SAR图像域。在像素级，引入扩散模型，将光学域的舰船目标切片转化为伪SAR域的切片，然后与纯海洋背景结合起来，生成丰富的高质量过渡域图像，有效减小了光学图像域和SAR图像域之间的语义鸿沟。在特征级，通过构建以transformer为基础的检测器，在特征提取后和结果预测前分别利用对抗学习策略进行特征对齐操作，SAR域检测器可以从过渡域检测器中学习不变特征，提高对目标检测能力。最后，在SAR图像域利用学习到的检测器，对待处理的SAR图像进行舰船目标检测。在一定程度上缓解了标注SAR图像带来的巨大人工和时间消耗。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.134 seconds)
