-
公开(公告)号:CN109063537B
公开(公告)日:2021-08-17
申请号:CN201810571359.2
申请日:2018-06-06
Abstract: 本发明公开了一种针对异常小目标解混的高光谱图像预处理方法。使用本发明能够解决服务于解混任务的高光谱图像预处理方法易忽略异常小目标的弊端。本发明充分针对目标空间尺度小的特征,利用滑窗判定空间维度上的疑似目标,并根据邻域像元位置设立相似性度量权重,区别对待窗口内不同邻域像元对待测像元空间特异性判定的影响;同时,利用目标光谱与背景光谱相比具有特异性的特征,利用PCA变换在特征维度进行疑似目标判定;最后结合K‑means方法和正交子空间投影(OSP)法,对高光谱数据进行筛选,有效减少待处理数据量并提升解混精度,在工程应用上具有很大的提升空间。本发明无需对后续的端元提取阶段进行任何修改,算法应用灵活。
-
公开(公告)号:CN109785359B
公开(公告)日:2020-12-04
申请号:CN201811422620.9
申请日:2018-11-27
Applicant: 北京理工大学
IPC: G06T7/246
Abstract: 本发明提供了一种基于深度特征金字塔和跟踪损失的视频目标检测方法,解决了视频目标检测稳定性与准确率的问题。本方法中在对目标检测的过程中采用多尺度特征图的方法,底层特征图维度高,细节信息丰富,高层特征纬度低,语义信息丰富,从而能够更好地利用视频图像的空间信息,使得检测能够适应多尺度、多类型的目标。本方法采用多尺度的候选窗生成方式,对小目标进行密集采样,对大目标进行离散采样,考虑到尺度不同的目标被检测时需求的精度不同,根据目标尺度做单独处理,小尺度目标精细采样,大尺度目标粗糙采样,增加检测速度。
-
公开(公告)号:CN106897737B
公开(公告)日:2019-10-11
申请号:CN201710052482.9
申请日:2017-01-24
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于高光谱遥感图像的地物分类方法,将原始的超限学习机网络扩展为层级化多通道融合网络,在网络训练方面,不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略,本发明采用贪婪式逐层训练的方式,对层级网络逐层训练,极大地缩短了网络的训练时间,在逐层训练的过程中,每层网络的训练求解模型均添加l1正则优化项,使得参数求解结果更稀疏,减少过拟合风险,在网络功能方面,单隐层ELM网络侧重解决简单数据的拟合、分类问题,而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合,同时也继承了前者训练速度快、泛化能力强的优点,非常有利于模型的在轨实现并适应应急响应任务的要求。
-
公开(公告)号:CN109785359A
公开(公告)日:2019-05-21
申请号:CN201811422620.9
申请日:2018-11-27
Applicant: 北京理工大学
IPC: G06T7/246
Abstract: 本发明提供了一种基于深度特征金字塔和跟踪损失的视频目标检测方法,解决了视频目标检测稳定性与准确率的问题。本方法中在对目标检测的过程中采用多尺度特征图的方法,底层特征图维度高,细节信息丰富,高层特征纬度低,语义信息丰富,从而能够更好地利用视频图像的空间信息,使得检测能够适应多尺度、多类型的目标。本方法采用多尺度的候选窗生成方式,对小目标进行密集采样,对大目标进行离散采样,考虑到尺度不同的目标被检测时需求的精度不同,根据目标尺度做单独处理,小尺度目标精细采样,大尺度目标粗糙采样,增加检测速度。
-
公开(公告)号:CN109063537A
公开(公告)日:2018-12-21
申请号:CN201810571359.2
申请日:2018-06-06
Applicant: 北京理工大学
CPC classification number: G06K9/0063 , G06K9/6223 , G06K9/6232 , G06K2009/00644
Abstract: 本发明公开了一种针对异常小目标解混的高光谱图像预处理方法。使用本发明能够解决服务于解混任务的高光谱图像预处理方法易忽略异常小目标的弊端。本发明充分针对目标空间尺度小的特征,利用滑窗判定空间维度上的疑似目标,并根据邻域像元位置设立相似性度量权重,区别对待窗口内不同邻域像元对待测像元空间特异性判定的影响;同时,利用目标光谱与背景光谱相比具有特异性的特征,利用PCA变换在特征维度进行疑似目标判定;最后结合K‑means方法和正交子空间投影(OSP)法,对高光谱数据进行筛选,有效减少待处理数据量并提升解混精度,在工程应用上具有很大的提升空间。本发明无需对后续的端元提取阶段进行任何修改,算法应用灵活。
-
公开(公告)号:CN118297900A
公开(公告)日:2024-07-05
申请号:CN202410404403.6
申请日:2024-04-03
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于协方差齐性检验的红外偏振图像异常目标检测方法涉及异常目标检测领域。本发明提出了利用协方差齐次性检验的方法实现异常目标检测,其实现流程如下:1、从相机处获取不同偏振相角图像并计算相应stokes矢量,重构为三维数据矩阵;2、对三维数据矩阵预处理,将stokes矢量矩阵归一化;3、将矩阵按检测窗口大小扩充并选择检测样本矩阵,分别计算检测样本矩阵和全局背景的协方差矩阵;4、设计像素异常程度表征算法,计算待检测样本异常程度,并循环遍历图像空间域所有像素,获得异常程度表征矩阵;5、对异常程度表征矩阵进行阈值分割并获取最终检测结果。
-
公开(公告)号:CN118171427A
公开(公告)日:2024-06-11
申请号:CN202410326321.4
申请日:2024-03-21
Applicant: 北京理工大学
IPC: G06F30/18 , G06F30/27 , G06F18/10 , G06F18/2136
Abstract: 本发明公开了一种轻量级抗干扰实时目标检测网络设计方法。包括:首先构建跨维注意力聚合结构,在并行支路上独立全局化聚合通道、空间特征,使用非线性映射激活获取跨维度特征权重向量,而后实现跨维度特征重组,并与原始特征图相乘,使其选择性增强目标多维度细节特征,抑制背景信息干扰;其次实现精细化先验锚框筛选,每轮训练自适应统计和迭代先验信息,设计预训练锚框与多分辨率检测头计算交并比统计特征,评估锚框与真实框适配程度,保证每轮次训练的快速收敛,减少背景信息干扰;最后设计模型稀疏化方案,按照权重排序以多种比例裁剪模型通道,获取系列模型作为特征拟合的桥梁,实现模型轻量化和精度恢复,得到能够实时检测的高性能模型。
-
公开(公告)号:CN117439646A
公开(公告)日:2024-01-23
申请号:CN202311180260.7
申请日:2023-09-13
Applicant: 北京理工大学
IPC: H04B7/185 , H04L67/12 , H04L67/1097
Abstract: 本发明公开了面向巨型星座场景的星载信息系统,采用分布式、网络化、可重构、面向任务资源优化的开放体系和应用框架,使星载信息系统由传统以计算为中心转变为以数据为中心,基于巨型星座操作系统这一技术手段,实现信息系统核心共性基础功能下沉固化,形成巨型星座系统的信息基座,支持将巨型星座中通信、导航、遥感、指控等各类节点联通,打破星座内部资源的物理壁垒,并实现节点感知、计算、存储、网络、安全等资源的抽象管理及新技术在轨快速应用,并满足“芯片‑链路‑内核‑应用”的全链路安全可信,通过软件定义等技术手段,支持实现巨型星座节点的安全接入、即时协同、自主运行等核心基础功能。
-
公开(公告)号:CN108764097A
公开(公告)日:2018-11-06
申请号:CN201810489307.0
申请日:2018-05-21
Applicant: 北京理工大学
CPC classification number: G06K9/0055 , G06K9/6202 , G06K9/6269
Abstract: 本发明公开了一种基于分段稀疏表示的高光谱遥感图像目标识别方法。使用本发明能够在不同场景下均取得了不错的目标检测效果。本发明通过光谱分段,从局部特征的组合方式着手,充分强调并利用了更为稳定的局部光谱特征,提升了目标检测效果;利用稀疏表示和字典学习自适应性的特点,无需对目标和背景的分布做任何的假设,避免了过多先验假设和手工特征带来的建模的欠准确性。本发明采用局部特征匹配的特性使得少数波段受到污染不会严重影响全局的特征匹配结果,具有一定的抗波段污染的效果。
-
公开(公告)号:CN118429669A
公开(公告)日:2024-08-02
申请号:CN202410346090.3
申请日:2024-03-26
Applicant: 北京理工大学
IPC: G06V10/58 , G06V10/764 , G06T7/00 , G06T7/136
Abstract: 本发明公开了一种基于压缩域的高光谱异常目标快速检测方法,涉及异常目标检测领域。本专利的目的是解决当前利用高光谱图像在大视场下进行疑似目标搜索过程中难以同时兼顾检测准确率与时效性的现实应用瓶颈问题,设计了一种可嵌入高维高光谱数据压缩过程的异常目标检测方法,对压缩处理过程的中间结果,利用双窗结构的导向滤波器在空间‑谱间等维度对异常目标进行凸显、检测,具有快速、准确的特点,可在提高异常目标检测准确率的同时大幅提升检测速度。
-
-
-
-
-
-
-
-
-