-
公开(公告)号：CN111310831B
公开(公告)日：2022-10-21
申请号：CN202010100845.3
申请日：2020-02-19
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的小目标检测网络逐层训练方法，包括小目标检测深度学习网络搭建；检测网络骨架部分采用图像识别数据集进行预训练；检测网络采用目标检测数据集进行整体训练；采用识别与检测平衡的损失函数进行训练；用逐层冻结方法使用小目标数据集对检测网络进行微调等步骤。其显著效果是：不仅提高了基于深度学习的目标检测网络对于小目标检测的召回率和精度；并且实现了已训练网络特定性能的稳定逐步提升。
-
公开(公告)号：CN112019774B
公开(公告)日：2021-08-13
申请号：CN202010793629.1
申请日：2020-08-10
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种红外高位宽数字图像的高质量显示方法，属于图像处理与红外成像领域。该显示方法包括4个步骤：步骤S1：EOG梯度能量函数指导gamma校正处理归一化后的原始图像，生成多亮度的多幅图像；步骤S2：对多幅图像分别进行多尺度的引导滤波器分层与细节增强融合；步骤S3：对增强后的3幅多亮度图像进行融合；步骤S4：对融合后的图像进行坏点滤除与动态范围调整。该方法经具有不同场景特征的高位宽数字图像测试证明：该方法在保持各种场景图像原有层次结构的基础上能增强图像细节，增大对比度，压缩动态范围。输出图像具有良好的视觉效果，有利于人眼观察与其他后续工作。适用于高位宽数字图像在普通显示器上的高质量显示。
-
公开(公告)号：CN112949633B
公开(公告)日：2022-10-21
申请号：CN202110245968.0
申请日：2021-03-05
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于改进YOLOv3的红外目标检测方法，主要用于增强对红外目标的检测能力。该方法包括：制作红外数据集；改进的数据增强方式；引入EfficientNet‑B2骨干网络代替原来YOLOv3的DarkNet53，减小模型参数；引入改进后的RFB模块，增大模型感受野，提升对大中尺寸目标的检测能力；引入可变形卷积与动态ReLU激活函数，构建CBD，DBD，D3BD三种结构，增强模型的对不规则几何形状目标的特征提取和特征表达能力，增加模型容量；使用CIoU损失函数作为边界框损失函数，加快模型的收敛速度，提升预测框的准确度；本发明提高了红外目标的检测精确度，可以在复杂背景环境下对红外目标进行快速、准确的检测识别。
-
公开(公告)号：CN115096292A
公开(公告)日：2022-09-23
申请号：CN202210874724.3
申请日：2022-07-25
Applicant: 中国科学院光电技术研究所
Abstract: 本发明提供一种无人机入站导航方法及系统，方法包括：获取地面基准信号与地面参考信号，所述地面基准信号为基准信号发生装置在参考地面上发射的信号，所述地面参考信号为参考信号发生装置在参考地面上发射的信号；根据所述地面基准信号与所述地面参考信号，解算得到参考信号传输时间和参考信号强度；根据所述参考信号传输时间和参考信号强度，对所述无人机进行入站导航。通过获取地面基准信号和地面参考信号进行解算，得到参考信号传输时间和参考信号强度，从而可以根据参考信号传输时间和参考信号强度来对无人机进行入站引导，利用参考信号传输时间和参考信号强度，可以提高定位精度，进而提高无人机入站导航的准确度。
-
公开(公告)号：CN108846850B
公开(公告)日：2022-06-10
申请号：CN201810506766.5
申请日：2018-05-24
Applicant: 中国科学院光电技术研究所
IPC: G06T7/20 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于TLD算法的目标跟踪方法，包括以下步骤：(1)在初始帧，由用户指定跟踪窗口生成正负样本初始化检测模块并形成目标模型。(2)在跟踪过程中，检测模块和跟踪模块独立工作：检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器、最近邻分类器；跟踪模块采用带有失败检测机制的中值光流法预测当前帧目标位置；(3)整合模块综合检测模块和跟踪模块进行跟踪结果的输出；(4)在更新后的位置产生新的正负样本并利用当前跟踪结果置信度进行加权，利用加权后的正负样本更新检测模块。(5)循环(2)‑(3)直至跟踪结束。在公开数据集上进行的对比实验表明，该方法可以在一定程度上提高跟踪的鲁棒性和精度。
-
Patent Agency Ranking
公开(公告)号：CN112019774A
公开(公告)日：2020-12-01
申请号：CN202010793629.1
申请日：2020-08-10
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种红外高位宽数字图像的高质量显示方法，属于图像处理与红外成像领域。该显示方法包括4个步骤：步骤S1：EOG梯度能量函数指导gamma校正处理归一化后的原始图像，生成多亮度的多幅图像；步骤S2：对多幅图像分别进行多尺度的引导滤波器分层与细节增强融合；步骤S3：对增强后的3幅多亮度图像进行融合；步骤S4：对融合后的图像进行坏点滤除与动态范围调整。该方法经具有不同场景特征的高位宽数字图像测试证明：该方法在保持各种场景图像原有层次结构的基础上能增强图像细节，增大对比度，压缩动态范围。输出图像具有良好的视觉效果，有利于人眼观察与其他后续工作。适用于高位宽数字图像在普通显示器上的高质量显示。
-
公开(公告)号：CN111985549A
公开(公告)日：2020-11-24
申请号：CN202010805034.3
申请日：2020-08-12
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种针对给定刚体目标进行部件自动定位识别的深度学习方法，包括对给定刚体目标进行部件分割标注与部件特征点的位置标注；搭建特征提取网络，并在标准图像集上进行预训练进行预训练；搭建用于对给定刚体目标进行部件识别的网络，并为保证网络训练的收敛性，分别定义损失函数与优化方法；根据不同要求对关键点位置估计与语义分割网络分别进行训练；实现对给定刚体的部件自动定位识别的可视化操作等步骤。其识别效果显著，不仅实现对给定刚体目标类的部件定位与识别，还有效保证了遮挡情况中的定位与识别的准确率，而且其获得的部件之间的图关系与关键点定位信息也有助于对该类刚体目标进行空间姿态解算等问题的研究。
-
公开(公告)号：CN111862257A
公开(公告)日：2020-10-30
申请号：CN202010692696.4
申请日：2020-07-17
Applicant: 中国科学院光电技术研究所
IPC: G06T11/00
Abstract: 本发明公开了一种基于反正切函数逼近近似L0范数的压缩感知图像重构方法。使用了一种基于反正切函数的数学模型，在算法的迭代求解过程中通过收缩模型参数实现了从凸优化向近似L0范数非凸优化的逼近，并且根据重构误差项自适应地去调节目标损失函数中的各项权重。本发明提出的方法使得在压缩感知图像重构求解过程中我们的算法以更高的效率和更大的概率去逼近全局最优并且尽可能稀疏的解，相对于传统算法，本发明方法在相对较短的时间内有效地提升了压缩感知图像重构的精度和质量。从而在保证信号重构稀疏度的同时达到更加精确重构原始信号的目的。本发明中的方法在压缩感知图像重建中在相对更短的时间内重建出了更高精度的图像。
-
公开(公告)号：CN111862256A
公开(公告)日：2020-10-30
申请号：CN202010691659.1
申请日：2020-07-17
Applicant: 中国科学院光电技术研究所
IPC: G06T11/00
Abstract: 本发明公开了一种在压缩感知图像重建中小波稀疏基优化方法。在压缩感知图像重建中，离散小波变换通常用作信号稀疏分解基来使原始信号变得更加稀疏。但是，为了在更低采样率下重构更高质量的图像，离散小波变换的稀疏表示性能通常不够好。基于图像列信号在小波域内的系数分布呈近似指数衰减的特点，本发明设计出一种相应的对角元素呈指数衰减分布的抑制矩阵作为乘法因子加入到小波分解基中。通过实验选择合适的抑制参数达到相对最优的实验结果，在和小波基优化前的传统方式相比，本发明不仅有效地提升了小波系数的稀疏度，而且重构图像的峰值信噪比提升了1.5到2.5dB，本发明性能和有效性已经通过实验进行了测试和证明。
-
公开(公告)号：CN111310831A
公开(公告)日：2020-06-19
申请号：CN202010100845.3
申请日：2020-02-19
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于深度学习的小目标检测网络逐层训练方法，包括小目标检测深度学习网络搭建；检测网络骨架部分采用图像识别数据集进行预训练；检测网络采用目标检测数据集进行整体训练；采用识别与检测平衡的损失函数进行训练；用逐层冻结方法使用小目标数据集对检测网络进行微调等步骤。其显著效果是：不仅提高了基于深度学习的目标检测网络对于小目标检测的召回率和精度；并且实现了已训练网络特定性能的稳定逐步提升。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.042 seconds)
