-
公开(公告)号：CN117475016A
公开(公告)日：2024-01-30
申请号：CN202311099427.7
申请日：2023-08-29
Applicant: 北京遥测技术研究所 , 北京空间飞行器总体设计部
IPC: G06T11/00 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06T7/10 , G06T5/70
Abstract: 本发明提供一种端到端卫星重构网络模型实现虚假遥感影像生成方法，在获取地理轮廓信息的先验条件下，对已知电子地图生成虚假的遥感卫星影像，在生成对抗网络模型中，添加约束条件，利用附加标签改变生成对抗网络的生成模型，训练过程中，将获得的真实图像和标签作为生成对抗网络判别模型的输入数据，使得训练的收敛方向能够以约束条件方向生成预测样本；本发明利用深度学习算法在输入图像和目标图像之间建立映射，对图像进行转换的端到端卫星重构网络模型，将已知的电子轮廓信息作为条件约束，生成特定的遥感卫星影像图。本发明在卫星影像智能生成技术领域有一定的通用性。
-
公开(公告)号：CN115758104A
公开(公告)日：2023-03-07
申请号：CN202211180468.4
申请日：2022-09-27
Applicant: 北京遥测技术研究所 , 航天长征火箭技术有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/24 , H04B1/713
Abstract: 本发明提供一种基于YOLOv5的异步跳频通信信号快速识别分类方法，本发明通过将异步跳频混合信号使用SPWVD转化为时频域分布图像，再应用基于YOLOv5跳频信号特征识别网络进行训练、测试后进行异步跳频通信信号的快速识别和分类，针对跳频信号类别多样性和数据量庞大的问题改进了YOLOv5的网络结构，head层由大目标检测头和中目标检测头组成，在保证识别正确率的前提下降低模型参数量以及提高识别的速度，使得网络在准确识别多种跳频通信信号类别的同时减少了网络参数量并提高了识别速度，降低了对使用硬件环境的要求，对异步跳频通信信号拥有非常优秀的识别分类效果。
-
公开(公告)号：CN117152408A
公开(公告)日：2023-12-01
申请号：CN202310930166.2
申请日：2023-07-27
Applicant: 北京遥测技术研究所
IPC: G06V10/22 , G06V10/40 , G06V20/13 , G06T7/11 , G06T7/194 , G06V20/70 , G06V10/82 , G06V10/774 , G06T3/40
Abstract: 本发明提供一种基于变化检测的遥感异常区域及目标检测方法，以孪生注意力变化检测模型，训练变化检测模型检测处理区域的能力，同时训练其检测隐藏目标和检测变化目标的能力。本发明构建了一个双分支的孪生注意力变化检测网络，通过对比学习遥感影像中出现的异常区域与原遥感影像在像素分布、色差上的变化，实现对异常区域和变化区域的自动检测；本发明在下采样模块每一层级都使用孪生网络思想，将两时相特征级联输入后续网络，通过无差别处理两时相技术，解除对时相输入顺序的限制；本发明使用注意力机制实现不同层级检测结果的融合，通过使用两种不同的特征融合手段，利用注意力机制综合对比两种融合结果，提高模型检测能力。
-
公开(公告)号：CN116010798A
公开(公告)日：2023-04-25
申请号：CN202211180163.3
申请日：2022-09-27
Applicant: 北京遥测技术研究所 , 航天长征火箭技术有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/24 , H04B1/713
Abstract: 本发明提供一种基于YOLOv5的复杂典型通信信号快速识别分类方法，将复杂典型通信信号使用SPWVD时频分析转换为时频图，复杂典型通信信号包括单载频信号、跳频信号和线性扫频信号，使用YOLOv5的网络对时频图进行预测并分类，针对信号类别快速变换和数据量庞大的问题改进了YOLOv5的网络结构，只保留中、小目标检测头，并结合SIoU_loss损失函数、非极大值抑制进行检测，使得网络在准确识别多种通信信号类别的同时减少了网络参数量并提高了识别速度，降低了对使用硬件环境的要求，对复杂典型通信信号拥有非常优秀的识别分类效果。
-
Patent Agency Ranking
公开(公告)号：CN115630276A
公开(公告)日：2023-01-20
申请号：CN202211180492.8
申请日：2022-09-27
Applicant: 北京遥测技术研究所 , 航天长征火箭技术有限公司
IPC: G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于YOLOv5的雷达脉内调制类型快速识别方法，将雷达脉内调制信号样本分别与噪声调频干扰信号叠加后使用SPWVD的方法进行时频分析并转换为时频图，搭建针对雷达混合信号的YOLOv5神经网络，head层由中目标检测头和小目标检测头组成，中目标检测头与neck层C3*6层相连，小目标检测头与neck层C3*7层相连，将训练集送入YOLOv5神经网络对时频图进行特征提取得到中目标特征图、小目标特征图后送入Detect检测网络进行检测，Detect检测网络使用SIoU_loss损失函数进行网络收敛并进行非极大值抑制处理后输出、显示雷达脉内调制信号的类别、识别准确率。本发明使用深度学习检测模型对雷达脉内调制方式进行准确识别，克服了传统识别方法中存在的需要手动提取特征和检测率低的缺点。
-
公开(公告)号：CN115630275A
公开(公告)日：2023-01-20
申请号：CN202211180171.8
申请日：2022-09-27
Applicant: 北京遥测技术研究所 , 航天长征火箭技术有限公司
IPC: G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于YOLOv5的多信号下跳频信号快速识别方法，将多信号使用SPWVD时频分析转换为时频图，针对信号类别快速变换和数据量庞大的问题改进了YOLOv5的网络结构，只保留中、小目标检测头，并结合SIoU_loss损失函数、非极大值抑制进行检测得到跳频信号的位置、类别。本发明使得网络准确快速识别出多种信号下的跳频信号，减少了网络参数量并提高了识别速度，降低了对使用硬件环境的要求，克服了传统识别方法中存在的需要手动提取特征和识别率低的缺点。
-
公开(公告)号：CN118397404A
公开(公告)日：2024-07-26
申请号：CN202410206338.6
申请日：2024-02-26
Applicant: 北京遥测技术研究所
IPC: G06V10/776 , G06V10/96 , G06V20/13 , G01S13/89
Abstract: 本发明提供一种智能目标识别算法的横向测试评估方法，将图像样本数据库录入多源多目标影像，测试分系统构建测试数据集，测试分系统测试被测算法，基准算法分系统在相同测试数据集上测试，评估分系统横向对比被测算法与基准算法。本发明提供常见SAR/ISAR目标识别算法数据集，聚合SAR/ISAR特征信息，便于后续自定义数据集生成；利用PostgreSQL数据库管理样本，结合人机交互界面，设计雷达成像智能目标识别测试环境快速构建、流程自动生成、测试过程数据自动采集与输出等模块；提供终端测试和性能无损测试两种测试模式；提供多种典型基准深度学习目标识别算法，在测试时提供横向对比算法；不仅可以用于设备测试，也可用于日常工作中算法的研发。
-
公开(公告)号：CN117173404A
公开(公告)日：2023-12-05
申请号：CN202310930222.2
申请日：2023-07-27
Applicant: 北京遥测技术研究所
Abstract: 本发明提供一种基于深度学习的遥感目标自动检测及隐藏方法，包括生成遥感目标语义分割数据集、构建用于遥感影像语义分割的Inception‑v3U‑Net网络、构建门控卷积图像修复网络、训练Inception‑v3U‑Net网络、训练门控卷积图像修复网络、检测遥感目标、完全覆盖原遥感目标所在区域和隐藏原遥感目标。本发明以语义分割作为目标检测模型，门控卷积网络作为图像修复模型，并配合传统图像处理的遥感目标自动检测与隐藏方法，在训练门控卷积网络过程中加入随机掩膜的生成，打破了缺失区域的形状及位置限制，解决现有遥感目标检测网络模型结构较复杂、训练推理时间过长，遥感目标隐藏不充分、不完全、易暴露，且由于现有网络使用固定化的掩膜，隐藏规律容易被发现的问题。
-
公开(公告)号：CN117173060A
公开(公告)日：2023-12-05
申请号：CN202310930314.0
申请日：2023-07-27
Applicant: 北京遥测技术研究所
IPC: G06T5/30 , G06T5/50 , G06T7/13 , G06V20/10 , G06V10/26 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/096 , G06N3/0455
Abstract: 本发明提供一种基于图像修复的遥感影像隐藏目标智能还原方法，构建门控卷积目标还原网络，训练能够适应色彩变化明显、细粒度大、特征复杂的遥感图像的图像修复模型，门控机制在前段网络提供遥感目标掩膜信息，后段网络作为注意力机制，动态学习未覆盖遥感图像类目标区域以及非目标区域像素分布特征；本发明使用原始遥感图像、随机覆盖掩膜与目标轮廓掩膜结合的输入作为模型训练输入，在具有隐藏目标区域及遥感目标确切位置的标签引导下，该模型可以在色彩梯度复杂、像素值差异大的遥感图像中快速发现重点关注目标，并学习该遥感目标轮廓特征及其周围环境的复杂特征，以使还原的遥感目标符合原图中地物要素特征及分布规律。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.033 seconds)
