-
公开(公告)号：CN113223044A
公开(公告)日：2021-08-06
申请号：CN202110427526.8
申请日：2021-04-21
Applicant: 西北工业大学
Abstract: 本发明公开了一种结合特征聚合和注意力机制的红外视频目标检测方法，首先通过红外摄像机获取多目标红外视频，再对视频进行预处理，构建数据集；再采用YOLOv5模型、光流网络和注意力模块构建红外视频目标检测模型；然后采用数据集对红外视频目标检测模型进行训练，训练完成得到的最终的红外视频目标检测模型，实现对红外视频中目标的检测。本发明在视频散焦、运动模糊等状态下，目标检测准确率显著提高，提升了检测模型的鲁棒性。
-
公开(公告)号：CN112487947A
公开(公告)日：2021-03-12
申请号：CN202011354955.9
申请日：2020-11-26
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于图像融合与目标检测网络的低照度图像目标检测方法，结合非下采样剪切波变换图像融合算法与改进目标检测网络YOLOV4的低照度图像目标检测方法，内容包括：1)红外和低照度可见光图像融合技术，使用其可以对红外和低照度可见光图像进行信息互补，提高轮廓清晰度的同时突出纹理信息；2)将融合后的图像送入改进后的YOLOV4目标检测网络进行检测，输出低照度条件下的目标信息；3)为了提升YOLOV4网络的特征提取能力，本发明将YOLOV4主干网络中的残差块替换为密集链接块，相比于残差块，密集链接块使网络能够提升特征表达能力，提高网络的特征提取能力。最后，实验证明利用本发明可以提高在低照度条件下的目标检测能力。
-
Patent Agency Ranking
公开(公告)号：CN114973390B
公开(公告)日：2024-03-12
申请号：CN202210605519.7
申请日：2022-05-30
Applicant: 西北工业大学
IPC: G06V40/18 , G06T7/80 , G06T7/246 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种结合眼动注意力机制的复杂背景红外微弱目标检测方法，采集红外微弱目标图像数据作为训练样本；再进行数据增强，然后设计带有眼动采集功能的专家判读系统和相应的采集流程，收集专家的眼动信号；对眼动信号进行预处理，同时利用图神经网络获取眼动信号的局部特征和全局特征；构建眼动注意力机制，采用典型的YOLO网络对红外微弱目标图像进行特征提取，然后将眼动信号的特征作为注意力特征的YOLO网络的特征进行特征融合，将眼动信号作为网络特征参数的约束；最后对模型进行训练，并进行对比分析。本发明能够实现红外图像的自动化检测，大幅提高图像判读的准确性，可靠性和泛化性，进一步降低红外图像检测的人工成本。
-
公开(公告)号：CN114972920B
公开(公告)日：2024-03-12
申请号：CN202210605542.6
申请日：2022-05-30
Applicant: 西北工业大学
IPC: G06V10/774 , G06N3/04 , G06N3/088 , G06V10/80 , G06V10/82 , G06V10/764
Abstract: 本发明公开了一种多层次无监督领域自适应目标检测识别方法，首先利用源数据域的图像和对应的标签，对深度学习模型进行有监督训练。同时利用仿真生成模型，生成对应目标的图像，和目标域数据中的目标保持一致，通过修改仿真模型参数，生成不同条件下的数据集，从而实现泛化的中间域数据集。之后，利用源域训练好的模型，对中间域数据集进行渐次的域适应。模型参数适应之后，再引入目标域数据集，进行无监督自学习，生成伪标签，再次对模型进行参数微调，最终实现目标检测模型的多层次无监督领域自适应。本发明方法提高了模型的无监督目标检测精度和可靠性。
-
公开(公告)号：CN114972869B
公开(公告)日：2024-02-20
申请号：CN202210605568.0
申请日：2022-05-30
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/00 , G06T3/4007 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于反事实因果学习的红外微弱目标检测方法，首先获取红外图像；再进行数据增强，得到红外数据集；利用红外目标特征，构建因果结构模型；利用因果结构模型输出的反事实因果关系，提取红外目标泛化特征；将红外目标泛化特征输入至目标检测网络结构中进行训练，训练完成后得到预训练目标检测网络；对红外数据集进行重采样，构建红外数据上下文和类标签之间的因果关系；使用重采样数据，对预训练目标检测网络参数进行前馈调整，得到最终的目标检测网络。本发明方法提高了红外微弱目标的特征提取泛化性，进一步提高了模型的检测精度和鲁棒性。
-
公开(公告)号：CN117495658A
公开(公告)日：2024-02-02
申请号：CN202311405330.4
申请日：2023-10-27
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于灰度特征深度匹配的长短波图像转换方法，属于图像处理、红外特性领域。首先，构建长波和短波数据集，并对背景图像进行区域分割；然后，提取区域的灰度直方图特征，并构建深度学习模型对其深度特征进行提取并训练；最后，利用深度学习模型进行灰度特征图转换，并进行直方图匹配，生成所需的短波图像。相比于利用传统算法实现的图像转换，具有准确度好的优势，相比于基于GAN模型的转换算法，具有可解释强、鲁棒性好等优势。
-
公开(公告)号：CN114972869A
公开(公告)日：2022-08-30
申请号：CN202210605568.0
申请日：2022-05-30
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/00 , G06T3/40 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于反事实因果学习的红外微弱目标检测方法，首先获取红外图像；再进行数据增强，得到红外数据集；利用红外目标特征，构建因果结构模型；利用因果结构模型输出的反事实因果关系，提取红外目标泛化特征；将红外目标泛化特征输入至目标检测网络结构中进行训练，训练完成后得到预训练目标检测网络；对红外数据集进行重采样，构建红外数据上下文和类标签之间的因果关系；使用重采样数据，对预训练目标检测网络参数进行前馈调整，得到最终的目标检测网络。本发明方法提高了红外微弱目标的特征提取泛化性，进一步提高了模型的检测精度和鲁棒性。
-
-
-
-
-
-
Search Results
17
records
(took 0.023 seconds)
