公开(公告)号：CN117496244A

公开(公告)日：2024-02-02

申请号：CN202311463097.5

申请日：2023-11-06

Applicant: 东北电力大学

Inventor： 王新华 ,  曹金鹏 ,  李壮 ,  蒿乾坤 ,  杨俊杰 ,  宋向阳 ,  郑慧

IPC: G06V10/764 ,  G06V20/13 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/42 ,  G06V10/80 ,  G06V10/772

Abstract: 本发明公开了一种基于感受野特性的遥感图像目标检测方法，属于遥感图像目标检测领域，与传统的自然图像数据集相比，高分辨率光学遥感图像中的物体尺寸更小，背景复杂度更高。本发明提出了一个名为YOLO‑RF的增强型网络框架，通过调整预设锚框的大小，减少小目标对于位置的偏移影响，提高检测精度，并减少不必要的候选框，从而提高模型检测效率。为了进一步提高检测精度，基于感受野特性利用CAM在不同扩张卷积速率下捕捉不同感受野的上下文信息用来丰富原有FPN的上下文信息，随即又添加额外的三层特征提取层，利用注意力机制模块学习整个特征图中的融合特征，将有用的全局信息融合到局部区域，减少语义差异，防止小目标的漏检。

公开(公告)号：CN119229272A

公开(公告)日：2024-12-31

申请号：CN202411395787.6

申请日：2024-10-08

Applicant: 东北电力大学

Inventor： 王新华 ,  宋向阳 ,  李壮 ,  郑慧 ,  马明威 ,  贾言鑫

IPC: G06V20/05 ,  G06V10/776 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于改进YOLOv8的水下目标检测方法，涉及到水下生物检测技术领域，包括以下步骤：将C2f瓶颈中的Conv转化为DCNv2可变行卷积，接着添加ECA注意力机制得到C2f_DCNv2_ECA模块，采用双向特征金字塔网络结合双向路径增强和加权融合特征得到改进型颈部特征融合模块，将SIou损失函数、C2f_DCNv2_ECA模块以及改进型颈部特征融合模块嵌入到YOLOv8n模型中，得到改进型YOLOv8n模型。通过图像预处理、改进的网络架构、特征融合优化和损失函数的改进，可以有效提高水下目标检测的性能和鲁棒性，加强特征提取，提升目标检测的精度，提高图像的亮度和对比度，提高图像的清晰度和可视性，提高观测效率的同时，减少后续误判漏判的可能性。

公开(公告)号：CN119444768A

公开(公告)日：2025-02-14

申请号：CN202411395753.7

申请日：2024-10-08

Applicant: 东北电力大学

Inventor： 李壮 ,  杨俊杰 ,  王新华 ,  郑慧 ,  贾言鑫 ,  马明威

IPC: G06T7/10 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06F17/11

Abstract: 本发明公开了一种基于自适应特征提取和注意力融合的路面裂缝分割方法，涉及到图像识别技术领域，包括：S1、获取路面裂缝数据集，包括路面裂缝训练集、路面裂缝验证集和路面裂缝测试集；S2、对S1中路面裂缝训练集进行数据扩充，路面裂缝验证集和路面裂缝测试集不进行数据扩充，得到路面裂缝样本集，再利用S1得到的路面裂缝验证集选择训练裂缝检测网络。使用卷积与注意力融合模块CAFM改进内容引导注意力机制CGA，加入到内容引导注意力融合模块CGAFusion中，提出卷积与注意力融合机制CAFMFusion模块，模型能够自适应地聚焦于裂缝的复杂拓扑结构，增强模型对路面裂缝的自适应特征提取能力，且能够更有效地融合不同层次的特征，提高裂缝检测的精度和鲁棒性。

公开(公告)号：CN119229125A

公开(公告)日：2024-12-31

申请号：CN202411395744.8

申请日：2024-10-08

Applicant: 东北电力大学

Inventor： 王新华 ,  袁波涛 ,  李壮 ,  郑慧 ,  马明威 ,  贾言鑫

IPC: G06V10/26 ,  G06V20/13 ,  G06T3/4007 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于分形曲线的遥感图像语义分割方法，涉及到遥感图像语义分割技术领域，包括以下步骤：在UNet3+模型的编码阶段，模型采用双线性插值层替代传统的池化操作，这种插值方法能够在下采样过程中保留空间信息，在UNet3+模型的解码阶段，利用多尺度特征融合策略，通过汇聚层将不同层次的特征进行有效整合，这种汇聚层的设计考虑了不同层级特征的重要性差异，以此获得改进型UNet3+模型。通过在编码器阶段引入分形曲线模块和双线性插值技术，在解码器部分引入汇聚层对不同级的多维特征图进行删选，显著提高了模型对边缘特征的捕捉能力，增强了特征提取的精度，提升了分割质量，更适合处理遥感图像中的复杂场景和细微地物边界。

公开(公告)号：CN117495718A

公开(公告)日：2024-02-02

申请号：CN202311463096.0

申请日：2023-11-06

Applicant: 东北电力大学

Inventor： 王新华 ,  蒿乾坤 ,  李壮 ,  曹金鹏 ,  宋向阳 ,  杨俊杰 ,  郑慧

IPC: G06T5/73 ,  G06V20/13 ,  G06V10/774

Abstract: 本发明是一种基于深度学习多尺度自适应的遥感图像去雾方法。该方法旨在从经过大气散射后的模糊遥感图像中恢复出清晰的图像细节和场景信息。所提出的方法利用膨胀卷积操作进行多尺度特征提取，获取更全面的特征信息，并引入自适应注意机制，对不同尺度的重要信息进行高效提取，从而实现了更高质量的遥感图像去雾效果。本专利的方法能够有效还原遥感图像的细节和场景信息，具有较强的鲁棒性和泛化能力，适用于不同场景的遥感图像。本专利的技术贡献不仅可以应用于遥感图像去雾领域，还为下游遥感图像目标检测与遥感图像目标识别等图像处理任务提供有力的支撑。