-
公开(公告)号：CN106778917A
公开(公告)日：2017-05-31
申请号：CN201710052890.4
申请日：2017-01-24
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于小波高频子带统计特征的无参考噪声图像质量评价方法。使用本发明能够很好解决现有算法对噪声大小区分度小、无法对多种不同类型噪声图像评判的问题，有效实现对图像的无参考质量评价。本发明首先通过计算噪声图像小波高频子带系数概率分布的统计特征，对图像噪声程度进行表征，统计特征的大小可以很好地衡量不同噪声程度失真的图像质量。图像噪声越严重，统计特征越小。因此，该方法可以很好地弥补基于DCT或RUT变换的无参考噪声评价算法的不足，并且，可适用于加性高斯白噪声、加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声图像。
-
公开(公告)号：CN117953338A
公开(公告)日：2024-04-30
申请号：CN202311714363.7
申请日：2023-12-14
Applicant: 北京理工大学
IPC: G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种面向边缘计算平台的轻量级目标检测动态混合网络。包括：首先，设计路由函数并以数据驱动的方式预测目标旋转角度，然后卷积核根据预测到的角度自适应地旋转，以根据不同的输入图像自动调整计算参数；其次，在卷积层内设计了冗余信息通道快速生成方法，利用线性滤波器组替换标准卷积，实现原有特征图的快速生成与替换；此外设计了空间正交注意力机制，从水平和竖直两个方向聚合目标局部和远程信息，使得卷积结构能够捕获远距离像素间的依赖关系；其次在不同卷积层间设计特征聚合方法，将不同中间层的特征收集拼接，并用全局平均池化操作来得到聚合特征，并与原始特征融合，从而减少卷积层的通道数。
-
公开(公告)号：CN116091293B
公开(公告)日：2023-10-31
申请号：CN202211109888.3
申请日：2022-09-13
Applicant: 北京理工大学
IPC: G06T1/20 , G06F30/20 , G06T5/20 , G06T5/00 , G06F111/04
Abstract: 本发明涉及一种微小型智能弹载计算机架构，属于导弹的精确制导技术领域，涉及智能化、高性能、小体积、低功耗综合信息处理。本发明公开了一种弹载微小型智能计算机架构，具有体积小、重量轻、功耗低、性能高、智能化的特点。本架构采用异构多芯片设计，使用DSP、FPGA和NPU三类计算芯片，可以在较低功耗下支撑弹上复杂的信息处理需求。针对弹载环境约束，通过一体化封装技术来集成多个接口芯片以及多个处理芯片，以减小体积与重量。
-
公开(公告)号：CN116091293A
公开(公告)日：2023-05-09
申请号：CN202211109888.3
申请日：2022-09-13
Applicant: 北京理工大学
IPC: G06T1/20 , G06F30/20 , G06T5/20 , G06T5/00 , G06F111/04
Abstract: 本发明涉及一种微小型智能弹载计算机架构，属于导弹的精确制导技术领域，涉及智能化、高性能、小体积、低功耗综合信息处理。本发明公开了一种弹载微小型智能计算机架构，具有体积小、重量轻、功耗低、性能高、智能化的特点。本架构采用异构多芯片设计，使用DSP、FPGA和NPU三类计算芯片，可以在较低功耗下支撑弹上复杂的信息处理需求。针对弹载环境约束，通过一体化封装技术来集成多个接口芯片以及多个处理芯片，以减小体积与重量。
-
公开(公告)号：CN115355770A
公开(公告)日：2022-11-18
申请号：CN202211072878.7
申请日：2022-09-02
Applicant: 西安奇维科技有限公司 , 北京理工大学
Abstract: 本发明公开了一种应用于图像导引头抑制强背景干扰的方法：步骤1，选取检测图像I；步骤2，生成显著性图M；步骤3，将显著性图M减去其平均值并转换为非负值得到第一预处理后的显著性图M1；步骤4，对第一预处理后的显著性图M1进行第二预处理，得到显著性图M2；步骤5，进行第一二值化处理得到第一二值化图mask1，并对mask1去掉边界连通域得到第二二值化图mask2；并依据mask2对显著性图像M1进行第三预处理，得到显著性图M3；步骤6，对第三预处理后的显著性图M3进行高斯滤波处理，得到滤波图M4；步骤7，对滤波图M4进行二值化分割得到第三二值化图bw，并得到最终的检测目标。本发明能够准确地检测出目标，为后续的目标跟踪奠定了稳定的基础。
-
Patent Agency Ranking
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。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.034 seconds)
