-
公开(公告)号：CN118501831A
公开(公告)日：2024-08-16
申请号：CN202410503705.9
申请日：2024-04-25
Applicant: 北京理工大学
Abstract: 本发明提供一种基于散射中心驱动的SAR目标识别方法，包括：构建属性散射中心模型，并获取目标切片图像，初始化属性散射中心模型的参数；根据参数初始化后的属性散射中心模型得到目标散射中心图像，与目标切片图像相加，并通过第一骨干特征提取网络获得第一概率向量，采用交叉熵损失函数计算第一损失值；将目标散射中心图像输入第二骨干特征提取网络，得到第二概率向量，采用交叉熵损失函数计算第二损失值；根据第一损失值和第二损失值得到目标损失函数，重复计算直至目标损失函数收敛，得到目标识别网络；获取待识别的SAR图像，输入至目标识别网络，得到目标识别结果。本发明能够有效提取目标属性散射中心，实现SAR图像目标的稳健识别。
-
公开(公告)号：CN118446258A
公开(公告)日：2024-08-06
申请号：CN202410521900.4
申请日：2024-04-28
Applicant: 北京理工大学
IPC: G06N3/0495 , G06N3/048 , G06N3/0464 , G06N3/06 , G06N3/084
Abstract: 一种全加网络硬件加速方法包括：根据全加网络的第一处理基本块确定第二处理基本块；其中，第一处理基本块至少包括量子化层、第一整数加法子层、逆量子化层和BN层；第二处理基本块包括第二整数加法子层、融合BN层；全加网络包括N个第二处理基本块；N个第二处理基本块中的每一个是对每一个第一处理基本块中的各个层重排序和合并得到的；确定行级流式处理策略，行级流式处理策略包括将第一整数特征图按行划分为二维数据，第二处理基本块中只存储参与运算所必需的行，当前第二处理基本块输出的第二整数特征图是下一级第二处理基本块的输入；基于行级流式处理策略对第二处理基本块中的第二整数加法子层的循环进行优化。
-
公开(公告)号：CN118397473A
公开(公告)日：2024-07-26
申请号：CN202410537268.2
申请日：2024-04-30
Applicant: 北京理工大学
Abstract: 本发明提供一种基于显著图引导的SAR图像目标识别方法，包括：根据原始SAR图像生成对应的目标显著图，所述目标显著图含有目标关键信息；基于所述目标显著图提取所述原始SAR图像中的深层特征和浅层特征，并引导所述深层特征和浅层特征进行融合；利用多层空洞卷积对融合后的图像特征进行细化，得到目标特征，通过全连接层对所述目标特征进行类型识别，得到目标识别结果。本发明避免了背景图像中的噪声干扰，提高了目标特征的类内一致性，能够高效、鲁棒性地实现对目标基本特征的挖掘，提高了SAR图像目标识别的精度和效率。
-
公开(公告)号：CN113534071B
公开(公告)日：2024-05-31
申请号：CN202110632582.5
申请日：2021-06-07
Applicant: 北京理工大学
Abstract: 本发明公开了一种星载多通道SAR通道校正实时处理算法，通过分析通道校正因子分块更新对成像质量的影响，确定合适聚焦深度，并生成新的分块更新的通道校正因子，进行方位通道校正；本发明解决了在卫星载荷重量、功耗受限的情况下，传统方法所需存储量大，无法满足星上实时处理的问题，弥补了现有技术的不足。
-
公开(公告)号：CN117473922A
公开(公告)日：2024-01-30
申请号：CN202311068339.0
申请日：2023-08-23
Applicant: 北京理工大学
IPC: G06F30/337 , G06F30/327 , G06F115/06 , G06F119/02
Abstract: 本发明公开了一种基于HITS的通用电路部分冗余加固方法和系统，所述方法包括：依据节点之间的连接关系生成节点关系矩阵；对所述节点关系矩阵进行HITS迭代，以获得所述节点的HITS值；基于所述HITS值，对所述节点进行降序排序，选取前第一数目个节点，作为待加固节点；所述第一数目是由最终确定的加固比例确定的；对所述待加固节点进行部分三模冗余加固。通过本发明的技术方案，能够在高可靠性要求下有效降低额外的资源开销。
-
Patent Agency Ranking
公开(公告)号：CN117274701A
公开(公告)日：2023-12-22
申请号：CN202311255349.5
申请日：2023-09-26
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于原型对比学习的跨域遥感图像分类方法，包括：构建域适应网络，在目标域上对自编码器进行无标注的自监督预训练，得到自编码器模型参数；将自编码器模型参数加载到自编码器中，将目标域数据输入到所述编码器中，利用伪标签细化策略得到目标域的细化伪标签；利用所述编码器对源域图像进行编码，利用所述自编码器对目标域图像进行掩码图像建模，基于源域的标签和所述目标域的细化伪标签构建源域和目标域的原型库，并利用所述原型对比学习模块对齐源域和目标域的每个类别的原型；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。本发明能提高类别的判别能力，提升对于无标注数据目标域的分类精度。
-
公开(公告)号：CN117274700A
公开(公告)日：2023-12-22
申请号：CN202311252965.5
申请日：2023-09-26
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/42 , G06V10/44 , G06V20/70 , G06V10/82 , G06N3/045
Abstract: 本发明公开了一种协同度量的小样本分类方法，包括，基于支持样本和查询样本获取不同粒度的全局空间语义关系和局部空间语义关系；将每个粒度的全局空间语义关系和局部空间语义关系进行融合，获得每个粒度的全局‑局部融合空间语义关系；采用最小和特征集距离度量方法在所述多粒度空间语义关系集上进行协同度量决策，获得预测概率分布；利用标签优化多粒度协同度量模型，获得用于分类的多粒度协同度量模型；将待分类图像输入用于分类的多粒度协同度量模型，获得待分类图像的分类结果。本发明可以有效地捕获潜在的空间判别性语义信息，提高小样本条件下的图像分类性能，解决了在有限样本条件下模型容易出现崩溃和过拟合的技术问题。
-
公开(公告)号：CN116630132A
公开(公告)日：2023-08-22
申请号：CN202211073845.4
申请日：2022-09-02
Applicant: 北京理工大学 , 中国人民解放军61646部队
Abstract: 本发明提出的基于“CPU+FPGA”架构的实时解压缩数据处理系统及方法，其中FPGA用来完成解压缩处理，FPGA具有丰富的计算资源，并且具有功耗低、时延小、吞吐量大等优点，同时因为其是无指令、无需共享内存的体系结构，FPGA比CPU甚至GPU的计算效率更高，可以在码速率输入的情况下，对JPEG2000压缩标准的压缩图像数据实现实时处理。
-
公开(公告)号：CN116246158A
公开(公告)日：2023-06-09
申请号：CN202211393240.3
申请日：2022-11-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种适用于遥感目标检测任务的自监督预训练方法，属于遥感目标检测任务的预训练技术领域。该方法以检测任务数据集的真实目标标注框为基准进行随机多尺度的目标裁剪。对裁剪后所获取的目标级图像切片中的小尺度目标进行重新缩放并拼接，以确保小尺度目标信息在高遮罩率的图像重建任务中被有效地保留，从而促进小尺度目标的检测性能。本发明的方法有效地避免了在具有高遮罩率的场景级图像重建任务中，由于遥感场景小尺度目标被完全遮罩从而导致小尺度目标无法在预训练过程中得到良好的表征学习从而影响检测效果的问题，同时，本方法通过将图像重建任务与目标检测任务进行对齐，提高了预训练模型对遥感目标检测任务的促进作用。
-
公开(公告)号：CN113408723B
公开(公告)日：2023-04-07
申请号：CN202110545477.8
申请日：2021-05-19
Applicant: 北京理工大学
IPC: G06N3/082 , G06N3/006 , G06N3/0464
Abstract: 本发明提供了一种面向遥感应用的卷积神经网络剪枝和量化同步压缩方法，与其他的卷积神经网络剪枝和量化压缩方法相比，本方法融合了模型剪枝和量化过程，实现了卷积神经网络模型的同步剪枝和量化，在提高模型参数压缩比例的同时，减少了模型压缩后的精度损失；对剪枝和量化后的模型进行再训练，可以得到更为精确的参数数值，提高网络精度；设定编码时需要遵守的规则度约束条件，即在实际的遥感平台处理器中对卷积神经网络模型进行实现时，对同一层中的不同滤波器处于相同位置的卷积核同时剪枝可以提高计算单元的通用程度，并提高计算的并行度；本发明压缩后的模型可以在机载、星载等资源有限的平台处理器上进行移植和应用。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.034 seconds)
