-
公开(公告)号：CN109886114A
公开(公告)日：2019-06-14
申请号：CN201910046774.0
申请日：2019-01-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于聚合变换特征提取策略的舰船目标检测方法，包括以下步骤：步骤S1：结合多分支聚合变换的概念，设计并得到一种优化的特征提取网络ResNet_AC；步骤S2:将步骤S1中设计得到的ResNet_AC，在自建海洋环境相关目标分类数据集Dataset-classify上进行训练，得到特征提取网络模型；步骤S3：将步骤S2训练得到的特征提取网络模型移植到目标检测网络RFCN中，并基于自建舰船目标检测数据集Dataset-detect，最终训练得到能更好应用于舰船目标检测的网络模型。采用本发明的技术方案，在ResNet网络各层之间增加多个相同拓扑结构的卷积计算分支并进行分组卷积，在保持网络原有计算复杂度的情况下提升分类准确率，具有准确性高，网络设计简单等优点。
-
公开(公告)号：CN109509214A
公开(公告)日：2019-03-22
申请号：CN201811198664.8
申请日：2018-10-15
Applicant: 杭州电子科技大学
IPC: G06T7/277
Abstract: 本发明公开了一种基于深度学习的船舶目标跟踪方法，属于基于图像的目标跟踪领域。本发明可以在边海防，智能海洋监测系统，船舶态势估计等领域应用。步骤S1：使用自建船舶分类和检测数据集对深度网络进行训练和压缩，得到一个轻量化的船舶检测网络；步骤S2：使用经过训练的轻量化检测网络模型实时检测视频中的船舶目标并进行目标的跟踪。采用本发明的技术方案，将自建的船舶数据集进行训练，得到一个轻量化的检测网络，再结合改进的跟踪算法框架进行船舶目标的跟踪，实现了船舶目标的实时跟踪，整体方案具有设备依赖性低、跟踪稳定性高以及实时性强等特点。
-
公开(公告)号：CN109919000A
公开(公告)日：2019-06-21
申请号：CN201910061808.3
申请日：2019-01-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多尺度融合策略的舰船目标检测方法，包括以下步骤：步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF-RFCN；步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset-detection，训练得到能更好应用于舰船目标检测的网络模型。采用本发明的技术方案，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。
-
公开(公告)号：CN108647573A
公开(公告)日：2018-10-12
申请号：CN201810297353.0
申请日：2018-04-04
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的军事目标识别方法，属于基于图像的自动目标识别领域。本发明创造可以在军事目标识别，大规模军事目标检索，武器装备智能化，态势估计等领域应用。该方法针对传统的基于深度学习的目标识别网络各层单向连接，特征表达能力不足的问题，重新设计了一种稠密连接卷积等层的算法模型。使用稠密连接的方式，算法模型复用了每一层的特征，从而提高了算法模型的目标识别平均准确率；采用这种方式训练得到的算法模型更小；同时算法模型解决了梯度弥散、梯度膨胀的问题。
-
公开(公告)号：CN109509214B
公开(公告)日：2021-07-16
申请号：CN201811198664.8
申请日：2018-10-15
Applicant: 杭州电子科技大学
IPC: G06T7/277
Abstract: 本发明公开了一种基于深度学习的船舶目标跟踪方法，属于基于图像的目标跟踪领域。本发明可以在边海防，智能海洋监测系统，船舶态势估计等领域应用。步骤S1：使用自建船舶分类和检测数据集对深度网络进行训练和压缩，得到一个轻量化的船舶检测网络；步骤S2：使用经过训练的轻量化检测网络模型实时检测视频中的船舶目标并进行目标的跟踪。采用本发明的技术方案，将自建的船舶数据集进行训练，得到一个轻量化的检测网络，再结合改进的跟踪算法框架进行船舶目标的跟踪，实现了船舶目标的实时跟踪，整体方案具有设备依赖性低、跟踪稳定性高以及实时性强等特点。
-
Patent Agency Ranking
公开(公告)号：CN108256634A
公开(公告)日：2018-07-06
申请号：CN201810128120.8
申请日：2018-02-08
Applicant: 杭州电子科技大学
IPC: G06N3/04
Abstract: 本发明公开了一种基于轻量级深度神经网络的船舶目标检测方法，包括以下步骤：步骤S1：设计并训练得到船舶目标检测的轻量级深度神经网络模型；步骤S2：将步骤S1中训练好的轻量级深度神经网络模型移植至嵌入式设备，通过摄像头实时采集船舶视频，通过训练好的模型来完成船舶目标检测。采用本发明的技术方案，利用全新的通道剪枝网络压缩技术，实现了基于轻量级深度神经网络的舰船目标检测技术，具有设备依赖性低、准确性高以及实时性强等优点。
-
公开(公告)号：CN110287763A
公开(公告)日：2019-09-27
申请号：CN201910288568.0
申请日：2019-04-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种面向舰船目标识别应用的候选框比例优化方法，步骤S1:准备目标数据集；步骤S2：对已有数据目标进行目标框长宽比特征提取，并对长宽比例进行聚类，用聚类的方法提取出比例。步骤S3:用提取出的比例替换原有网络中的achor比。采用本发明的技术方案，提高了结合舰船目标特性，改变了锚点框选择方法，有效的提高了舰船目标识别的准确性。
-
公开(公告)号：CN109859103A
公开(公告)日：2019-06-07
申请号：CN201910021220.5
申请日：2019-01-09
Applicant: 杭州电子科技大学
Abstract: 本发明公开了发明一种基于双线性内插法精确池化策略的舰船目标检测方法，包括以下步骤：步骤S1：基于双线性内插法，设计得到能适用于精准定位小尺寸舰船对象候选框的池化方法；步骤S2：用步骤S1中得到的精细池化方法，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作。采用本发明的技术方案，利用全新的精细池化方法，实现了基于双线性内插法精确池化策略的舰船目标检测方法，能在不增加训练和运行成本的同时，有效提升小尺寸舰船目标的检测准确率。具有可移植性高、通用性强等特点。
-
公开(公告)号：CN109858481A
公开(公告)日：2019-06-07
申请号：CN201910021219.2
申请日：2019-01-09
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于级联位置敏感检测的舰船目标检测方法，步骤S1：设计得到能适用于精准检测舰船目标边框的位置敏感级联检测模块；步骤S2：用步骤S1中得到的级联位置敏感检测模块，替换到原目标检测网络的检测模块，得到一种基于级联位置敏感检测的舰船目标检测方法，再利用舰船目标检测数据集逐级训练各个级联检测模块，最终将该模型移植至海上观测平台的设备中，完成海上舰船目标精准检测。采用本发明的技术方案，利用级联位置敏感检测模块，实现了基于级联位置敏感检测的目标检测方法，对海上视频图像中的舰船目标能够在保持原有快速检测的前提下实现更加精准地位置回归。
-
公开(公告)号：CN109583424A
公开(公告)日：2019-04-05
申请号：CN201811573051.8
申请日：2018-12-21
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于衰减置信度的重叠舰船目标候选框筛选方法，包括以下步骤：步骤S1：设计得到能适用于舰船目标重叠场景的目标候选框筛选方法；步骤S2：用步骤S1中得到的舰船目标候选框筛选方法，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作。采用本发明的技术方案，利用全新的目标候选框筛选方法，实现了基于衰减置信度方法的舰船目标场景下的目标候选框筛选方法，具有重叠目标检测效果好，可移植性高等特点。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
