-
公开(公告)号：CN113792806B
公开(公告)日：2024-08-23
申请号：CN202111090742.4
申请日：2021-09-17
Applicant: 中南大学 , 中国人民解放军63921部队
IPC: G06V10/774 , G06V10/25 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了对抗补丁生成方法，方法包括以下步骤：从数据集中获取有伪装目标的图片，随机初始化补丁；定义粘贴补丁的目标真实框和不粘贴补丁的其他真实框；按照不同大小的目标，将补丁以一定的比例进行缩放；将补丁根据目标真实框构建的锚框添加到伪装目标上；将粘贴对抗补丁的图片输入到检测网络，计算损失迭代更新对抗补丁，直到伪装目标不被检测网络检测出来。本发明实现重要地物目标的伪装，对抗补丁只要覆盖定向目标的一小部分，就使整个目标无法被检测到；将对抗补丁放置在定向目标的中心位置，隐藏定向目标在目标检测器中的决策特征，使得检测器中的预测框的置信度低于阈值，从而误导检测器的检测结果。
-
公开(公告)号：CN112163549B
公开(公告)日：2022-06-10
申请号：CN202011094951.1
申请日：2020-10-14
Applicant: 中南大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自动机器学习的遥感影像场景分类方法，包括以下步骤：在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索，以获取结构最优的深度神经网络AN1；使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络，进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集DN2；利用所述的遥感影像数据集训练所述的最优的深度神经网络，训练过程由自动超参数优化控制；利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程，提高了遥感影像场景分类任务的精度，并大大减少了对人力与时间的消耗。
-
公开(公告)号：CN113269241B
公开(公告)日：2022-05-06
申请号：CN202110538070.2
申请日：2021-05-18
Applicant: 中南大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种遥感图像对抗样本的软阈值防御方法，将正确分类的遥感图像和对抗样本保存在同一类验证集中,删除在验证集中不能正确分类的遥感图像；将原始图像作为正面样本，将对抗样本作为负面样本，对保存的验证集中的图像重新分类；结合分类的输出置信度，得到新数据集；在新数据集上训练一个逻辑回归模型；通过原始图像和对抗样本的决策边界获得输出置信度的阈值；将当前输入图像的输出置信度和所述防守软阈值相比较，判断当前输入图像是否是一个对抗样本。本发明可有效防守遥感图像场景分类问题中的对抗样本的攻击，卷积神经网络的愚弄率被降低到0。
-
公开(公告)号：CN112270462B
公开(公告)日：2021-06-29
申请号：CN202011078996.X
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种基于里奇曲率的地铁网络脆弱线路识别方法，包括以下步骤：基于地铁线数据和站点客流量数据，建立地铁网络，并将客流量作为权重赋给站点；计算地铁网络中线路的里奇曲率值；依据里奇曲率值由负到正的顺序对线路进行排序，依次移除地铁网络中的线路，计算最大连通子图相对大小的变化，以此识别脆弱线路。本发明方法提供了一种结合实际客流量数据，从流量传输角度提取地铁网络脆弱线路的方法，解决了现有方法多仅从地铁网络的拓扑结构分析脆弱线路，没有充分考虑线路在实际客流传输中各站点实际客流量分布情况以及地铁网络中流量传输特性的问题，具有较强的普适性。
-
公开(公告)号：CN111539306A
公开(公告)日：2020-08-14
申请号：CN202010314628.4
申请日：2020-04-21
Applicant: 中南大学
Abstract: 本发明公开了基于激活表达可替换性的遥感图像建筑物识别方法，包括以下步骤：获取遥感图像建筑物数据集；训练普通深度神经网络模型；计算识别所述模型中每个卷积核的独立最大响应图；计算每个卷积核的激活表达可替换性；根据每个卷积核的激活表达可替换性对模型卷积核进行修剪，保留小的激活表达可替换性；使用修剪后的深度神经网络模型进行遥感图像建筑物识别。本发明方法针对基于深度学习的建筑物识别模型提出激活的表达可替换性指标方法，它可以量化同层上每个卷积核在特征空间表达的可替换性，卷积核的激活的表达可替换性值越低，代表它在特征空间越不可替换，进而针对卷积核进行选择性修剪，从而有效提高遥感图像建筑物识别模型的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN112560624B
公开(公告)日：2024-05-17
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN113792686A
公开(公告)日：2021-12-14
申请号：CN202111096413.0
申请日：2021-09-17
Applicant: 中南大学 , 中国人民解放军63921部队
Abstract: 本发明公开了基于视觉表征跨传感器不变性的车辆重识别方法，包括步骤：获取遥感图像，依次输入神经网络的第一卷积层、第二卷积层、关系感知的全局注意力模块、第三卷积层、关系感知的全局注意力模块和第四卷积层；第四卷积层将处理结果依次输入关系感知的全局注意力模块、第五卷积层、关系感知的全局注意力模块和BNNECK，还依次输入全尺度模块、全尺度模块和BNNECK；本发明从局部和全局两个角度区分车辆，缓解视角变化带来的影响，获取判别性更高的局部特征；全尺度分支通过四个不同大小的感受野对不同尺度的特征进行融合，获取判别性最高的特征组合，本发明在数据集上取得了令人满意的表现。
-
公开(公告)号：CN112560624A
公开(公告)日：2021-03-26
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN112270462A
公开(公告)日：2021-01-26
申请号：CN202011078996.X
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种基于里奇曲率的地铁网络脆弱线路识别方法，包括以下步骤：基于地铁线数据和站点客流量数据，建立地铁网络，并将客流量作为权重赋给站点；计算地铁网络中线路的里奇曲率值；依据里奇曲率值由负到正的顺序对线路进行排序，依次移除地铁网络中的线路，计算最大连通子图相对大小的变化，以此识别脆弱线路。本发明方法提供了一种结合实际客流量数据，从流量传输角度提取地铁网络脆弱线路的方法，解决了现有方法多仅从地铁网络的拓扑结构分析脆弱线路，没有充分考虑线路在实际客流传输中各站点实际客流量分布情况以及地铁网络中流量传输特性的问题，具有较强的普适性。
-
公开(公告)号：CN112216108A
公开(公告)日：2021-01-12
申请号：CN202011082028.6
申请日：2020-10-12
Applicant: 中南大学
Abstract: 本发明公开了一种基于属性增强的时空图卷积模型的交通预测方法，包括以下步骤：基于路网数据构建邻接矩阵A；基于特征矩阵X、兴趣点信息向量p和天气信息矩阵B构建t时刻的属性增强矩阵Kt＝[Xt,p,Bt]；将历史n个时刻的属性增强矩阵，以及道路网络的邻接矩阵输入时空图卷积模型学习训练，计算交通流隐藏状态，获得交通预测值。本发明方法在使用时空图卷积模型建模时空间特征的基础上，融合多源碎片化的城市数据来捕捉影响交通的外部因素与交通流的关系，增强时空图卷积模型对外部影响因素的感知，进而实现更加高效精准的交通预测。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.025 seconds)
