-
公开(公告)号：CN109214452B
公开(公告)日：2020-06-23
申请号：CN201810998889.5
申请日：2018-08-29
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。
-
公开(公告)号：CN109214452A
公开(公告)日：2019-01-15
申请号：CN201810998889.5
申请日：2018-08-29
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。
-
公开(公告)号：CN111753677B
公开(公告)日：2023-10-31
申请号：CN202010521967.X
申请日：2020-06-10
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征金字塔结构的多角度遥感船舶图像目标检测方法，包括以下步骤：S1，收集遥感卫星船舶图像数据集，并进行样本标注，得到标注目标；S2，对经过S1所提取的数据集中的样本进行数据预处理，形成完整的训练数据集；S3，用经过改进的特征金字塔网络对预处理后的样本进行特征提取，得到多层特征融合的特征金字塔；S4，经过RPN网络生成候选区域；S5，添加不同池化大小的ROI Pooling层；S6，搭建Fast R‑CNN网络；S7，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；S8，将经过S7处理的样本送入S3、S4、S5和S6构建的模型中进行测试求得结果，即最后经过Fast R‑CNN输出分类与回归的结果。
-
公开(公告)号：CN110033043B
公开(公告)日：2020-11-10
申请号：CN201910306521.2
申请日：2019-04-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于条件生成式对抗网络的雷达一维距离像拒判方法，包括如下步骤：S1：对原始HRRP样本集进行预处理；S2：搭建模型：在TensorFlow平台上搭建条件生成式对抗网络，根据网络特点设计优化目标函数；S3：调参训练：每一帧都按相同步骤训练出一个判别器，使用所述优化目标函数进行参数更新；S4：用训练好的模型在测试样本集上进行测试：从每一帧训练集所训练出的条件生成式判别网络中分别提取出判别器进行测试，对判别器设置相应阈值，若测试样本经过所有判别器的输出都小于阈值，则对该测试样本进行拒判。
-
公开(公告)号：CN109239670B
公开(公告)日：2020-08-04
申请号：CN201810998871.5
申请日：2018-08-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用局部结构和其周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于LSTM的双向循环神经网络构成的深度神经网络进行训练，最后利用softmax层对HRRP进行识别并得到识别结果。
-
Patent Agency Ranking
公开(公告)号：CN111738114B
公开(公告)日：2023-09-05
申请号：CN202010521952.3
申请日：2020-06-10
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于无锚点精确采样遥感图像车辆目标检测方法，包括如下步骤：S1，使用多层卷积神经网络对原始图片进行特征提取，根据不同尺度大小的特征图构成自上而下特征金字塔；S2，对于特征金字塔的每一层特征，生成特征图上所有像素点的类别预测；S3，对于特征金字塔的每一层特征，生成特征图上所有像素点的目标框预测；S4，根据输入图片中的真实框面积信息确定当前车辆目标所属的特征图；S5，借助真实框内的目标实例分割信息确定目标在该层特征内的正样本像素点，并计算该像素点到真实框四条边的差值；S6，计算所有正样本像素点的类别损失与关于真实框的回归损失。
-
公开(公告)号：CN111738113B
公开(公告)日：2023-07-07
申请号：CN202010521918.6
申请日：2020-06-10
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于双注意力机制与语义约束角的高分辨率遥感图像的道路提取方法，包括以下步骤：S1，对Massachusetts数据集里面的遥感道路图像进行操作来进行数据集的数据扩增，对数据集里面的遥感道路图像的标签图像进行语义约束角计算的数据预处理操作；S2，使用卷积神经网络提取遥感道路图像的特征图，并在卷积神经网络中加入位置注意力机制和通道注意力机制来计算不同通道和位置的特征权重，让网络模型能够更好的获取不同位置和不同通道的语义信息；S3，设计主损失函数，辅助损失函数来优化网络参数；S4，用训练好的模型在测试样本集上进行测试，经过网络模型的特征提取和特征上采样来得到最终的分割图像。
-
公开(公告)号：CN111738110A
公开(公告)日：2020-10-02
申请号：CN202010521480.1
申请日：2020-06-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多尺度注意力机制的遥感图像车辆目标检测方法，包括：S1，使用多层卷积神经网络对原始图片进行特征提取，将生成的不同尺度特征图构建一个自底向上的金字塔网络；S2，对于已经构建好的金字塔网络，实现自顶向下的特征融合，在融和过程中，依次对高层特征图进行通道注意力操作，并融合到低层特征图；S3，获取融合后的低层特征图的空间注意力信息，并融合到原有的低层特征中；S4，通过预先设定的大小、比例等生成大量候选框，根据检测目标的真实框大小决定所用到的特征图，再通过真实框与候选框的交并比判定候选框的正负性；S5，对得到的正样本候选框直接预测其类别信息以及回归信息，使用非极大抑制方法，滤除得到的重叠区域同类别候选框。
-
公开(公告)号：CN111738114A
公开(公告)日：2020-10-02
申请号：CN202010521952.3
申请日：2020-06-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于无锚点精确采样遥感图像车辆目标检测方法，包括如下步骤：S1，使用多层卷积神经网络对原始图片进行特征提取，根据不同尺度大小的特征图构成自上而下特征金字塔；S2，对于特征金字塔的每一层特征，生成特征图上所有像素点的类别预测；S3，对于特征金字塔的每一层特征，生成特征图上所有像素点的目标框预测；S4，根据输入图片中的真实框面积信息确定当前车辆目标所属的特征图；S5，借助真实框内的目标实例分割信息确定目标在该层特征内的正样本像素点，并计算该像素点到真实框四条边的差值；S6，计算所有正样本像素点的类别损失与关于真实框的回归损失。
-
公开(公告)号：CN111738112A
公开(公告)日：2020-10-02
申请号：CN202010521534.4
申请日：2020-06-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法，包括以下步骤：S1，收集遥感卫星船舶图像数据集，并进行样本标注；S2，对经过S1所提取的数据集中的样本进行数据预处理；S3，用经过特征金字塔网络对预处理后的样本进行特征提取；S4，给水平锚点添加角度参数，设置为旋转锚点，再送入RPN网络；S5，搭建RNN网络融合Self-Attention，对候选区域的置信度进行重计分；S6，搭建Fast R-CNN网络；S7，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；S8，将经过S7处理的样本送入S3、S4、S5和S6构建的模型中进行测试求得结果，即最后经过Fast R-CNN输出分类与回归的结果。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.034 seconds)
