公开(公告)号：CN119888228A

公开(公告)日：2025-04-25

申请号：CN202411968358.3

申请日：2024-12-30

Applicant: 电子科技大学长三角研究院(衢州)

Inventor： 张翔 ,  肖又恒 ,  周茂樟 ,  杨文韬 ,  李世宇

IPC: G06V10/26 ,  G06V10/774 ,  G06V20/10 ,  G06V20/54 ,  G06V10/82

Abstract: 本发明公开了一种基于去耦合的弱监督机场图像语义分割方法，通过构建一个弱监督语义分割模型，利用弱监督语义分割方法收集机场各个类别的实例图，将训练图像进行解耦操作，生成新的训练图像和机场伪标签，再训练基于机场的辅助学习任务以及监督训练图像分类主任务，生成效果更好的新的机场伪标签，最后训练弱监督语义分割模型，并对其进行完全监督，获得最终的分割结果。本发明的方法增强了系统在机场环境下的鲁棒性。在机场中，能够有效应对机场这一特殊环境，显著提升飞行器和地面设备的监控效率，在自动驾驶、无人机监管和智能交通等领域具有广阔的应用前景，为机场的智能化和自动化运营提供了重要支持。

公开(公告)号：CN119559397A

公开(公告)日：2025-03-04

申请号：CN202411693226.4

申请日：2024-11-25

Applicant: 电子科技大学

Inventor： 张翔 ,  周茂樟 ,  杨文韬 ,  肖又恒 ,  张金洋

IPC: G06V10/26 ,  G06V20/70 ,  G06V20/10 ,  G06V10/25 ,  G06V10/75 ,  G06T3/06 ,  G06T5/50 ,  G06V10/80 ,  G06V10/82 ,  G06T17/00 ,  G06N5/01 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了一种基于三维数字模型与图像增强技术的机场语义分割方法，包括以下步骤：步骤1、构建飞机三维数字模型；步骤2、定义感兴趣区域：使用目标检测算法自动检测并定位图像中的飞机，生成定义ROI区域；步骤3、3D模型投影与匹配，输出飞机三维模型的二维投影；步骤4、飞机特征增强：在图像端与特征端进行飞机信息的增强；步骤5、语义分割：使用加权融合后的图像进行语义分割，以识别并提取机场图像中的飞机区域。本发明通过引入三维数字模型和图像增强技术，提供了更丰富的几何信息和上下文信息，从而显著提高机场场景中飞机及其他物体的分割精度，减少误分割和漏分割的情况。

公开(公告)号：CN119559398A

公开(公告)日：2025-03-04

申请号：CN202411693233.4

申请日：2024-11-25

Applicant: 电子科技大学

Inventor： 张翔 ,  杨文韬 ,  肖又恒 ,  周茂樟 ,  王双凯

IPC: G06V10/26 ,  G06V20/70 ,  G06V10/30 ,  G06V10/72 ,  G06T7/30 ,  G06T3/06 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06T5/77 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明公开了一种基于雷达数据和图像数据的目标语义分割方法，包括以下步骤：步骤1、雷达点云数据的预处理：通过雷达传感器获取雷达点云数据，对雷达点云数据进行预处理；步骤2、将预处理后的点云数据进行投影，转换为伪深度图形式；具体包括如下子步骤：步骤2‑1、确定投影平面；步骤2‑2、进行坐标转换；步骤2‑3、投影计算；步骤3、特征交互：将伪深度图形式的雷达数据和输入的图像数据进行特征交互；步骤4、将融合后的多模态特征输入解码器网络，生成语义分割结果。本发明通过结合雷达点云数据和图像数据的优点，提出一种在低光、强光、雨雾等恶劣环境下依然能够保持高精度的语义分割方法。

公开(公告)号：CN118485927A

公开(公告)日：2024-08-13

申请号：CN202410566373.9

申请日：2024-05-09

Applicant: 电子科技大学

Inventor： 张翔 ,  潘晓凤 ,  黄永辉 ,  杜柏霖 ,  肖又恒

IPC: G06V20/13 ,  G06V10/774 ,  G06V10/764 ,  G06V10/80 ,  G06V10/52 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开一种基于多尺度网络的高分辨率遥感图像目标检测方法，应用于遥感图像目标检测领域，针对现有技术难以捕捉图像中复杂的空间关系，使得遥感目标检测的准确性较低的问题，本发明通过与YOLOv5s‑6.0类似的主干特征提取网络产生四个多尺度特征，并将这四个不同尺度的特征图提供给后续的特征融合网络和检测头进行处理。然后，充分利用CNN的局部特征提取能力和SSM的全局有效感受野设计全局特征融合模块，对高分辨率遥感图像进行尺度内的全局建模。最后，设计跨尺度检测头将全局特征融合模块得到的不同尺度的特征进行融合和转换，捕获更高级的语义信息，实现跨尺度的长距离依赖建模。