-
公开(公告)号：CN116246158A
公开(公告)日：2023-06-09
申请号：CN202211393240.3
申请日：2022-11-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种适用于遥感目标检测任务的自监督预训练方法，属于遥感目标检测任务的预训练技术领域。该方法以检测任务数据集的真实目标标注框为基准进行随机多尺度的目标裁剪。对裁剪后所获取的目标级图像切片中的小尺度目标进行重新缩放并拼接，以确保小尺度目标信息在高遮罩率的图像重建任务中被有效地保留，从而促进小尺度目标的检测性能。本发明的方法有效地避免了在具有高遮罩率的场景级图像重建任务中，由于遥感场景小尺度目标被完全遮罩从而导致小尺度目标无法在预训练过程中得到良好的表征学习从而影响检测效果的问题，同时，本方法通过将图像重建任务与目标检测任务进行对齐，提高了预训练模型对遥感目标检测任务的促进作用。
-
公开(公告)号：CN115346130A
公开(公告)日：2022-11-15
申请号：CN202210797891.2
申请日：2022-07-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种计算机视觉领域知识迁移学习方法，具体涉及一种提升遥感下游任务性能的知识迁移方法，属于遥感领域下游任务网络模型训练技术领域。首先，利用重建随机遮罩图像的自监督代理任务在大规模自然场景数据集上对基于Transformer网络结构的自编码器进行自监督预训练，以获取领域级泛化知识。然后，将已经完成大规模自然场景数据预训练的模型参数继续在遥感场景下游任务数据上进行持续自监督预训练。最后，将完成两个阶段预训练编‑解码结构中的编码器模型作为基础特征提取骨架网络直接嵌入到各种下游任务的网络架构中，并通过有监督的方式在相应的下游任务数据集上进行参数微调。
-
公开(公告)号：CN116071643A
公开(公告)日：2023-05-05
申请号：CN202211392985.8
申请日：2022-11-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种后验实例信息引导的无锚框遥感旋转目标检测方法，属于遥感旋转目标检测技术领域。首先，采用多尺度相邻层特征融合网络对骨架网络输出的不同分辨率的特征层进行多尺度语义特征深度融合。其次，在多尺度相邻层特征融合网络之后设计像素级实例预测网络，用于获取遥感旋转目标的形状及角度信息。然后，将具有目标形状及角度信息的像素级实例预测结果注入到多尺度相邻层特征融合网络的输出特征，最后，利用基于中心点的无锚框检测算法定位图像中的遥感旋转目标。本方法显著提高了无锚框检测算法对光学遥感场景中的任意角度目标的检测效果，不仅提高了目标召回率，同时还大幅降低了虚警率，具有良好的实际应用价值。
-
Patent Agency Ranking
公开(公告)号：CN115953675A
公开(公告)日：2023-04-11
申请号：CN202211393486.0
申请日：2022-11-08
Applicant: 北京理工大学
IPC: G06V20/10 , G06V20/70 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及一种二分类嵌入空间引导角度回归的旋转目标检测方法，属于遥感旋转目标检测技术领域。首先，该方法将遥感目标的角度预测周期解耦为两个镜像对称的二分类嵌入空间，对目标的方向进行初步的类别判定。然后，在二分类子空间的引导下，在子空间内对旋转目标的角度进行进一步的精准预测。最后，通过二分类嵌入空间得分类结果和子空间内的角度预测进行真实角度计算。本方法有效地解决了网络训练过程中角度回归周期不连续问题对网络收敛的影响，提高了遥感旋转目标的角度预测精准度，具有良好的实际应用价值。
-
公开(公告)号：CN118608942A
公开(公告)日：2024-09-06
申请号：CN202410640023.2
申请日：2024-05-22
Applicant: 北京理工大学
Abstract: 本申请提供了一种遥感图像小尺度目标检测模型训练方法，该方法包括：构建遥感图像小尺度目标检测模型；使用样本遥感图像对遥感图像小尺度目标检测模型进行训练，得到训练后的遥感图像小尺度目标检测模型；测试训练后的遥感图像小尺度目标检测模型；其中，遥感图像小尺度目标检测模型包括骨干网络、颈部网络以及检测头网络，骨干网络用于提取遥感图像中的特征信息，得到N幅特征图像，颈部网络用于将N幅特征图像进行融合得到多尺度特征图像，检测头网络用于输出遥感图像中目标对象的定位置信度、遥感图像中目标对象的分类分数以及遥感图像中目标对象的回归参数，回归参数用于表征遥感图像中目标对象定位框的大小和位置信息，每幅特征图像的尺寸和通道数不同。
-
公开(公告)号：CN107767404A
公开(公告)日：2018-03-06
申请号：CN201710833949.3
申请日：2017-09-15
Applicant: 北京理工大学
CPC classification number: G06T7/254 , G06T5/002 , G06T5/20 , G06T7/215 , G06T2207/10016 , G06T2207/10032 , G06T2207/20032 , G06T2207/20224
Abstract: 本发明提供一种基于改进ViBe背景模型的遥感图像序列动目标检测方法，过程为：将遥感图像序列的第一帧图像加入设定范围的随机噪声构建初始化ViBe背景模型；从第二帧图像开始，进行动目标检测：使用当前帧和背景模型差分，得到初始前景检测结果；对初始前景检测结果进行中值滤波、高斯滤波，去除噪声干扰；对滤波后的结果进行连通域分析，即将像素级处理转换为连通域级处理，通过连通域属性对检测结果进行初步筛选；进行目标级分析：将初步筛选后的结果中每个连通域都看作目标，利用鬼影判断、显著性检测对检测结果进行进一步优化；通过Otsu方法进行阈值分割，得到最终的动目标检测结果。该方法兼顾了检测结果的准确性和计算效率，可满足实时处理需求。
-
公开(公告)号：CN107767400A
公开(公告)日：2018-03-06
申请号：CN201710838129.3
申请日：2017-09-15
Applicant: 北京理工大学
CPC classification number: G06T7/246 , G06K9/4671 , G06K9/629 , G06T7/207 , G06T7/215 , G06T2207/10016 , G06T2207/10032 , G06T2207/20016
Abstract: 本发明提供一种基于层次化显著性分析的遥感图像序列动目标检测方法，具体过程为：首先，采用基于运动补偿的双模单高斯模型，在全局的尺度上提取时域显著性信息，得到时域显著图；从时域显著图中粗提取运动区域，作为候选区域；其次，在所述候选区域的基础上，分别在像素级和超像素级进行空间域的显著性分析，得到空域显著图；最后，将得到的全局时域显著图和局部空域显著图进行线性融合，得到时空显著图，通过阈值分割得到运动目标检测的结果。该方法能够对于运动目标完成由粗尺度快速定位到精细尺度下的精确描述，可有效提高运动目标检测算法计算效率。
-
公开(公告)号：CN107767400B
公开(公告)日：2021-07-20
申请号：CN201710838129.3
申请日：2017-09-15
Applicant: 北京理工大学
Abstract: 本发明提供一种基于层次化显著性分析的遥感图像序列动目标检测方法，具体过程为：首先，采用基于运动补偿的双模单高斯模型，在全局的尺度上提取时域显著性信息，得到时域显著图；从时域显著图中粗提取运动区域，作为候选区域；其次，在所述候选区域的基础上，分别在像素级和超像素级进行空间域的显著性分析，得到空域显著图；最后，将得到的全局时域显著图和局部空域显著图进行线性融合，得到时空显著图，通过阈值分割得到运动目标检测的结果。该方法能够对于运动目标完成由粗尺度快速定位到精细尺度下的精确描述，可有效提高运动目标检测算法计算效率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
