-
公开(公告)号：CN114169442B
公开(公告)日：2022-12-09
申请号：CN202111495585.5
申请日：2021-12-08
Applicant: 中国电子科技集团公司第五十四研究所 , 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/46 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于双原型网络的遥感图像小样本场景分类算法。首先，该发明利用支持标签的监督信息对支持特征生成的原型进行原型自校准，获得更准确的原型。然后，以校准后的较精准原型作为基础，将查询样本的预测结果通过变换作为查询原型，利用查询原型来反向预测支持样本。这个过程中，支持样本和查询样本之间的信息交互是对原型的进一步校准，称之为原型互校准。该发明优化了三个损失，其中自校准损失和互校准损失有助于模型学习更具有代表性的原型，做出更准确的预测。由于网络不需要学习额外的参数，该发明的模型非常轻量且易于使用。在三个公开遥感数据集上的实验表明，该方法与其他先进的小样本图像分类方法相比具有较好的分类性能。
-
公开(公告)号：CN114169442A
公开(公告)日：2022-03-11
申请号：CN202111495585.5
申请日：2021-12-08
Applicant: 中国电子科技集团公司第五十四研究所 , 西北工业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/46
Abstract: 本发明提供了一种基于双原型网络的遥感图像小样本场景分类算法。首先，该发明利用支持标签的监督信息对支持特征生成的原型进行原型自校准，获得更准确的原型。然后，以校准后的较精准原型作为基础，将查询样本的预测结果通过变换作为查询原型，利用查询原型来反向预测支持样本。这个过程中，支持样本和查询样本之间的信息交互是对原型的进一步校准，称之为原型互校准。该发明优化了三个损失，其中自校准损失和互校准损失有助于模型学习更具有代表性的原型，做出更准确的预测。由于网络不需要学习额外的参数，该发明的模型非常轻量且易于使用。在三个公开遥感数据集上的实验表明，该方法与其他先进的小样本图像分类方法相比具有较好的分类性能。
-
公开(公告)号：CN119723370A
公开(公告)日：2025-03-28
申请号：CN202411910806.4
申请日：2024-12-24
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/048 , G06N3/0464 , G06N3/08 , G06F17/18
Abstract: 本发明提供了一种联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法。构建了联合特征解耦精炼与混淆最小化约束的遥感有向目标识别网络，包括基础骨干网络、有向区域建议框生成网络、回归分支、粗分类分支、精细识别分支、混淆最小化损失、交互验证策略，其中，采用精细识别分支可以对目标特征进行解耦和重编码，能够提取目标的判别性表征，实现更加精准的目标识别；采用混淆最小化损失训练精细识别分支，能够进一步提升精细识别分支特征表征能力；采用交互验证策略，能够增强遥感有向目标识别推理的鲁棒性。本发明能够解决现有遥感有向目标识别方法在特征表征能力存在局限的问题，实现对遥感图像有向目标的精细准确识别。
-
公开(公告)号：CN112418108B
公开(公告)日：2022-04-26
申请号：CN202011342048.2
申请日：2020-11-25
Applicant: 西北工业大学深圳研究院 , 西北工业大学
IPC: G06V20/13 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/776 , G06V10/778 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于样本重加权的遥感图像多类目标检测方法。首先，进行图像数据增广处理和尺度缩放预处理；然后，构建目标检测网络，包括特征提取模块、特征增强模块和检测头部模块，为了实现特征的显著性表达，针对部分特征层级进行特征增强操作；接着，进行网络端到端的训练过程，采用样本重加权策略来引导训练网络更多关注纵横比差异大的目标样本，以此来优化训练模型；最后，实现目标检测过程，将待检测遥感图像输入到训练好的目标检测网络中，得到每个先验框的类别预测值和其坐标偏移量，再使用非极大值抑制来过滤掉针对同一目标的重叠率较高的检测结果。本发明具有较高的遥感图像目标检测精度和速度。
-
公开(公告)号：CN112418108A
公开(公告)日：2021-02-26
申请号：CN202011342048.2
申请日：2020-11-25
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明提供了一种基于样本重加权的遥感图像多类目标检测方法。首先，进行图像数据增广处理和尺度缩放预处理；然后，构建目标检测网络，包括特征提取模块、特征增强模块和检测头部模块，为了实现特征的显著性表达，针对部分特征层级进行特征增强操作；接着，进行网络端到端的训练过程，采用样本重加权策略来引导训练网络更多关注纵横比差异大的目标样本，以此来优化训练模型；最后，实现目标检测过程，将待检测遥感图像输入到训练好的目标检测网络中，得到每个先验框的类别预测值和其坐标偏移量，再使用非极大值抑制来过滤掉针对同一目标的重叠率较高的检测结果。本发明具有较高的遥感图像目标检测精度和速度。
-
Patent Agency Ranking
公开(公告)号：CN118470398A
公开(公告)日：2024-08-09
申请号：CN202410572739.3
申请日：2024-05-10
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V20/13 , G06N3/0464 , G06N3/09
Abstract: 本发明提供了一种基于层次化掩码提示和鲁棒集成回归的有向目标检测方法。首先，对公开的有向目标检测数据集中的图像进行裁切得到大小相同的图像块，作为网络训练图像；然后，构建有向目标检测网络，以图像为输入量，以该图像的目标预测框为输出量，对网络进行训练；最后，将待检测图像输入到训练好的有向目标检测网络，得到该图像的目标检测结果。本发明能够较好改善现存有向目标检测方法对背景降噪效果不佳和对有向目标角度的感知缺失问题，提升检测性能，并具有好的检测效率。
-
公开(公告)号：CN111160249A
公开(公告)日：2020-05-15
申请号：CN201911388638.6
申请日：2019-12-30
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明涉及一种基于跨尺度特征融合的光学遥感图像多类目标检测方法，以训练数据作为卷积神经网络的输入来提取图像特征，从不同卷积层的输出处得到多尺度特征图，在最顶层特征处添加挤压-激励模块对顶层特征的通道信息进行重新建模；然后对得到的特征图进行跨尺度特征融合操作，接着在这些多尺度特征图上训练区域建议网络，从训练好的区域建议网络中得到用于后续任务的建议框，再送到分类网络和回归网络进行训练；最后经过非极大值抑制等后处理操作实现对光学遥感图像多类目标在多尺度特征图上的精确检测。利用本发明方法，可以从复杂背景下的光学遥感图像中检测出多种类型的目标。本发明具有较高的检测识别精度和较快的速度。
-
公开(公告)号：CN113963246B
公开(公告)日：2025-01-03
申请号：CN202111132750.0
申请日：2021-09-27
Applicant: 西北工业大学
IPC: G06V10/25 , G06V10/82 , G06V10/44 , G06V10/764 , G06V10/766 , G06V20/10 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供了一种中点偏移表达的有向目标检测方法。构建了中点偏移表达的有向目标检测网络，主要包括骨干网络、有向候选框生成网络和有向目标检测头，骨干网络用于输入图像的特征提取，有向候选框生成网络用于生成高质量候选框，有向目标检测头对有向候选框进行精细回归和分类；采用端到端的方式对网络训练，并使用非极大值抑制方法对输出的检测结果进行后处理，得到最终的检测结果。本发明能够解决现有有向候选框生成低效的问题，实现准确、快速的有向目标检测。
-
公开(公告)号：CN117829241B
公开(公告)日：2024-06-07
申请号：CN202410239962.6
申请日：2024-03-04
Applicant: 西北工业大学
IPC: G06N3/082 , G06F18/22 , G06N3/0464 , G06N3/063
Abstract: 本申请的实施例涉及网络压缩技术领域，特别涉及一种卷积神经网络的剪枝方法，该方法包括：将样本数据输入至目标模型中，得到目标模型的各层的各滤波器输出的特征图；遍历滤波器，将当前滤波器输出的特征图展平，根据当前滤波器对应的展平后的特征图，计算当前滤波器的内部特征活跃度；计算展平后的特征图两两之间的特征差异度，并根据当前滤波器对应的展平后的特征图与其他滤波器对应的展平后的特征图之间的特征差异度，确定当前滤波器的替代性得分；基于内部特征活跃度和替代性得分，确定重要性得分，并根据预设的剪枝率和重要性得分，对当前层进行剪枝，得到目标模型的轻量化模型，从而实现模型的轻量化，同时保证剪枝后的模型有较高性能。
-
公开(公告)号：CN117829241A
公开(公告)日：2024-04-05
申请号：CN202410239962.6
申请日：2024-03-04
Applicant: 西北工业大学
IPC: G06N3/082 , G06F18/22 , G06N3/0464 , G06N3/063
Abstract: 本申请的实施例涉及网络压缩技术领域，特别涉及一种卷积神经网络的剪枝方法，该方法包括：将样本数据输入至目标模型中，得到目标模型的各层的各滤波器输出的特征图；遍历滤波器，将当前滤波器输出的特征图展平，根据当前滤波器对应的展平后的特征图，计算当前滤波器的内部特征活跃度；计算展平后的特征图两两之间的特征差异度，并根据当前滤波器对应的展平后的特征图与其他滤波器对应的展平后的特征图之间的特征差异度，确定当前滤波器的替代性得分；基于内部特征活跃度和替代性得分，确定重要性得分，并根据预设的剪枝率和重要性得分，对当前层进行剪枝，得到目标模型的轻量化模型，从而实现模型的轻量化，同时保证剪枝后的模型有较高性能。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.055 seconds)
