-
公开(公告)号：CN118397384A
公开(公告)日：2024-07-26
申请号：CN202310961208.9
申请日：2023-07-31
Applicant: 华东理工大学 , 上海航天控制技术研究所
IPC: G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种基于深度强化学习的YOLOv3红外小目标检测方法，该方法包括：1)将数据集划分为训练样本集、验证样本集和测试样本集，将训练样本集输入到网络中并提取特征F；2)构建基于强化学习的自适应权重生成模型，指导特征融合，并将每个时刻的特征权重保存到经验池中，采用ε策略选择执行相应的动作；3)将融合后输出的特征F'送入到结合边界细化的全局上下文注意模块中使得低级空间特征与高级语义特征相融合；4)将检测结果获得的IoU作为强化学习模块的反馈输入，若IoU满足设定的马尔科夫决策条件自动选择终止或者满足设定的迭代次数则该图像的本轮训练结束；5)从训练集中输入下一张图像并进行训练；6)将测试集输入到已经训练好的红外小目标检测模型中进行检测，输出检测结果。本发明在红外小目标图像的目标检测中取得了良好的检测精度。
-
公开(公告)号：CN112906521A
公开(公告)日：2021-06-04
申请号：CN202110157191.2
申请日：2021-02-04
Applicant: 上海航天控制技术研究所
Abstract: 本发明提出了一种基于生成对抗网络的红外图像生成系统及方法。利用配对的彩色图像和红外图像进行网络模型的训练，实现彩色图像到红外图像的风格转换。该发明解决了在训练红外目标检测网络时存在的红外数据集不足的问题，数据量的不足会造成网络的过拟合现象。本发明包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块，通过这些模块可以实现逼真的红外数据生成，进而扩充数据集，具有很高的实用价值。
-
公开(公告)号：CN118279707A
公开(公告)日：2024-07-02
申请号：CN202310998173.6
申请日：2023-08-09
Applicant: 华东理工大学 , 上海航天控制技术研究所
IPC: G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征融合的红外弱小目标检测方法，包括利用骨干网络DarkNet‑53提取特征，在多个不同分辨率特征层上自适应融合生成补充特征对原始特征进行补充；在单层特征中进行多感受野并行采样，自适应关注采样后的特征，获取与检测任务更相关的多尺度信息；在位置定位中采用CIoU损失减小预测目标位置的偏差。该方法利用多层与单层特征的动态融合，有效融合语义和几何细节信息，获取多感受野信息，利用CIoU损失函数更直接优化目标位置偏差，从而使检测器拥有更多目标有价值特征，弥补了现有红外弱小目标检测器目标可用特征少的难点，有效分辨红外弱小目标与噪声点的同时可以准确预测目标位置。
-
公开(公告)号：CN116524173A
公开(公告)日：2023-08-01
申请号：CN202310162619.1
申请日：2023-02-24
Applicant: 上海航天控制技术研究所
IPC: G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0495
Abstract: 一种基于参数量化的深度学习网络模型优化方法，针对在弹载平台上搭建基于深度学习的智能信息处理平台时所面临的内存、功耗等硬件资源的限制，以及对于红外图像目标检测与识别场景中的实时性要求和算法轻量化需求，基于YOLOv3‑tiny的轻量化网络模型，结合低比特量化和通道级量化方法，在模型重训练过程中分步实现权重参数的量化方法。
-
公开(公告)号：CN116342988A
公开(公告)日：2023-06-27
申请号：CN202211678403.2
申请日：2022-12-26
Applicant: 上海航天控制技术研究所
Abstract: 本发明提供一种基于显著性特征信息融合的弱小目标智能检测系统，首先通过设计的多尺度显著性特征提取模块提取输入图像的特征信息，在系统最深层添加低分辨率特征提取模块提取更低分辨率的辅助特征，使用多特征融合模块融合不同层次的特征信息作为输出，最后对智能检测系统的输出进行解码求取目标预测结果。本发明采用基于显著性特征信息融合的弱小目标智能检测系统的目标探测精度普遍优于传统和其他智能化处理系统。
-
Patent Agency Ranking
公开(公告)号：CN111189360B
公开(公告)日：2022-04-22
申请号：CN201911313237.4
申请日：2019-12-19
Applicant: 上海航天控制技术研究所
IPC: F41G3/00
Abstract: 本发明涉及一种基于双模协同的抗红外面源诱饵干扰方法，属于导弹制导抗干扰技术领域；步骤一、在导弹上红外系统对目标进行连续帧拍照；并根据照片判断目标是否投放干扰弹；步骤二、解析出目标和全部干扰弹，作为候选目标点；步骤三、判断候选目标点为疑似点或确定干扰点；保留疑似点，去除确定干扰点；步骤四、计算各疑似点的置信值；当超过阈值N，判断该疑似点为目标；步骤五、雷达系统关闭，采用红外系统继续对目标进行跟踪；本发明协同运用红外图像信号与雷达距离信号的不同特点，实现了抗红外干扰，特别是面源干扰的目的。
-
公开(公告)号：CN113989631A
公开(公告)日：2022-01-28
申请号：CN202111012618.6
申请日：2021-08-31
Applicant: 上海航天控制技术研究所
Abstract: 本发明公开了一种基于卷积神经网络的红外图像目标检测网络压缩方法，属于红外图像识别领域。本方法以卷积神经网络为核心，建立一种红外图像目标检测的网络模型压缩框架，网络模型包含了多级特征融合的模块，使小目标检测时能够拥有高分辨率特征的同时保留了浅层的特征信息，使网络模型多红外飞行器目标具有更高泛化能力。在模型训练过程中采用轻量化网络模型处理技术，将网络模型卷积层中权重参数和特征值参数进行定点量化处理，得到识别精度高、资源占用少的检测模型。本发明方法已在红外飞行器目标数据集中完成训练和测试，能够高效检测小尺度红外图像中的飞行器目标。
-
公开(公告)号：CN118397039A
公开(公告)日：2024-07-26
申请号：CN202311197020.8
申请日：2023-09-15
Applicant: 华东理工大学 , 上海航天控制技术研究所
Abstract: 本发明公开了一种针对丢失的红外小目标跟踪分块搜索方法，用于远距离红外场景下亚像素目标的丢失重定位和持续跟踪，该方法包括：1)通过基于孪生网络的跟踪模型获取目标置信度和位置；2)根据目标置信度判断目标跟踪状态；3)若目标发生丢失，停止位置状态更新，通过分块搜索策略放大搜索区域；4)对放大的搜索区域进行分块搜索以重新定位目标，避免小目标特征随着搜索区域的放大过分形变；5)若目标持续丢失，进一步放大搜索区域直到重新找回目标或达到搜索上界；6)当目标被重新定位，恢复目标位置更新并重置搜索范围。本发明可提升红外远距离小目标追踪的准确性和可靠性，解决红外亚像素目标丢失问题。
-
公开(公告)号：CN117876927A
公开(公告)日：2024-04-12
申请号：CN202311808648.7
申请日：2023-12-26
Applicant: 上海航天控制技术研究所
IPC: G06V20/40 , G06V10/62 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于深度脉冲神经网络的高帧率目标跟踪方法，将给定一段时间内的嵌入式平台目标事件分割成一个n‑bin体素网格，生成正事件帧和负事件帧；将正事件帧和负事件帧输入YOLO神经网络进行空间特征提取，输出每帧图像中所有目标的位置信息和类别信息，组成空间特征；将正事件帧和负事件帧按照时间顺序输入脉冲卷积神经网络进行时序特征提取，输出与跟踪目标相关的时序信息；构建目标跟踪网络，对空间特征和时序信息进行时空特征融合后分别经过回归计算和分类计算，输出不同时刻下跟踪目标的位置和类别。本发明实现快速高效的嵌入式、低功耗平台下的目标跟踪，有效解决了复杂环境下高帧率目标识别网络能耗高、效率低的问题。
-
公开(公告)号：CN117830617A
公开(公告)日：2024-04-05
申请号：CN202311819262.6
申请日：2023-12-26
Applicant: 上海航天控制技术研究所
Abstract: 本发明涉及一种基于深度脉冲神经网络的高帧率目标检测方法，由YOLOv3‑Tiny神经网络模型转换得到脉冲神经网络；在脉冲神经网络每层的通道维度上，通过最大激活值对权值及偏置进行归一化处理；使用阈值不平衡的有符号神经元方法设置神经元的正负激活阈值，选择脉冲神经网络中需要被激活的神经元；基于STDP的无监督学习训练方法，对优化后的脉冲神经网络进行训练，得到高帧率目标检测模型；对高帧率目标检测模型进行张量分解与量化压缩，实现轻量化处理；将待检测图像输入轻量化的高帧率目标检测模型，输出图像中目标类别和目标边界位置坐标。本发明实现了高精度、低功耗、高实时性的目标检测，减小了模型参数量、模型大小及模型训练时间。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.026 seconds)
