-
公开(公告)号：CN113808219A
公开(公告)日：2021-12-17
申请号：CN202111117899.1
申请日：2021-09-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的雷达辅助相机标定方法，解决了从雷达点迹到图像目标框转换的技术问题。实现步骤：数据采集形成雷达点迹和图像目标框数据；采集时间对齐；雷达点迹数据形成训练输入数据集；转换后的图像目标框数据形成训练输出数据集；构建并训练深度神经网络模型；获得相机标定函数。本发明利用含有跨层链接的深度神经网络模型将雷达点迹数据转换为图像目标框数据构成标定函数，减小了人为误差和标定过程的额外工作，提高了相机标定的灵活性和效率；计算量小，标定准确率高。用于多传感器融合目标检测，更具体地用在雷达和相机摄像头同时进行目标检测的情况下的相机标定。
-
公开(公告)号：CN114565824B
公开(公告)日：2024-09-06
申请号：CN202210198503.9
申请日：2022-03-02
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/46 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种基于全卷积网络的单阶段旋转舰船检测方法，实现步骤为：获取训练样本集和测试样本集；构建单阶段旋转舰船目标检测模型；对单阶段旋转舰船目标检测模型进行迭代训练；通过训练好的单阶段旋转舰船目标检测模型对所有目标的边界框位置和类别置信度进行检测。本发明基于对水平框检测的全卷积单阶段目标检测网络模型，在原有网络基础上加入角度分支并优化网络结构及损失函数，通过网络中多层全卷积层卷积得到的特征图直接逐像素点无锚框的生成预测结果，实现了对旋转舰船目标的快速检测，在保证旋转舰船目标检测检测精度的前提下提高了检测效率，可用于海上监测、海防预警、海洋维权等领域。
-
Patent Agency Ranking
公开(公告)号：CN112434745B
公开(公告)日：2023-01-24
申请号：CN202011362265.8
申请日：2020-11-27
Applicant: 西安电子科技大学
Abstract: 本发明公开的基于多源认知融合的遮挡目标检测识别方法，解决现有方法对于遮挡的目标无法进行精确检测的问题。实现步骤是：构建多源训练数据集和测试数据集；构建改进的多源认知融合模块；生成融合后的训练数据集与测试数据集；引入目标检测网络Faster R‑CNN；用融合后的训练集对目标检测网络Faster R‑CNN进行训练；得到目标检测结果。本发明基于多源认知融合，使用了仿照人脑认知的注意力模块，在注意力机制模块中进行了光学图像与SAR图像的融合，以得到融合后的特征图，本发明对光学图像和SAR图像进行了融合，提取了光学图像和SAR图像的特征，提高了对目标，尤其是对遮挡目标的检测能力，用于对多源图像进行目标识别。
-
公开(公告)号：CN114565824A
公开(公告)日：2022-05-31
申请号：CN202210198503.9
申请日：2022-03-02
Applicant: 西安电子科技大学
IPC: G06V20/00 , G06V10/22 , G06V10/46 , G06V10/764 , G06V10/82 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于全卷积网络的单阶段旋转舰船检测方法，实现步骤为：获取训练样本集和测试样本集；构建单阶段旋转舰船目标检测模型；对单阶段旋转舰船目标检测模型进行迭代训练；通过训练好的单阶段旋转舰船目标检测模型对所有目标的边界框位置和类别置信度进行检测。本发明基于对水平框检测的全卷积单阶段目标检测网络模型，在原有网络基础上加入角度分支并优化网络结构及损失函数，通过网络中多层全卷积层卷积得到的特征图直接逐像素点无锚框的生成预测结果，实现了对旋转舰船目标的快速检测，在保证旋转舰船目标检测检测精度的前提下提高了检测效率，可用于海上监测、海防预警、海洋维权等领域。
-
公开(公告)号：CN118051832A
公开(公告)日：2024-05-17
申请号：CN202410136238.0
申请日：2024-01-31
Applicant: 西安电子科技大学
IPC: G06F18/2411 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/084 , G06F40/30 , G06F16/35 , G06F16/36 , G06N5/022 , G06N3/048
Abstract: 本发明公开了一种知识与数据联合驱动的智能辐射源个体识别方法，主要解决现有技术在少标注条件下识别效果不佳的问题。方案包括：1)引入辐射源领域的外部知识构建数据丰富多样的辐射源个体知识图谱；2)采用Trans‑X算法提取知识图谱中的辐射源个体语义特征；3)搭建基于深度学习的分类模型，采用辐射源的历史数据进行训练，将辐射源信号送入训练好的网络，计算其深度特征；4)将语义特征与深度特征进行融合，获得辐射源个体融合后特征；5)将融合后特征输入分类器，得到辐射源个体的联合驱动识别结果。本发明综合利用知识图谱和深度学习技术提取辐射源个体特征，有效提高了辐射源个体识别的准确性、鲁棒性与可解释性。
-
公开(公告)号：CN113808219B
公开(公告)日：2024-05-14
申请号：CN202111117899.1
申请日：2021-09-17
Applicant: 西安电子科技大学
IPC: G06T7/80 , G06T7/246 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的雷达辅助相机标定方法，解决了从雷达点迹到图像目标框转换的技术问题。实现步骤：数据采集形成雷达点迹和图像目标框数据；采集时间对齐；雷达点迹数据形成训练输入数据集；转换后的图像目标框数据形成训练输出数据集；构建并训练深度神经网络模型；获得相机标定函数。本发明利用含有跨层链接的深度神经网络模型将雷达点迹数据转换为图像目标框数据构成标定函数，减小了人为误差和标定过程的额外工作，提高了相机标定的灵活性和效率；计算量小，标定准确率高。用于多传感器融合目标检测，更具体地用在雷达和相机摄像头同时进行目标检测的情况下的相机标定。
-
公开(公告)号：CN112434745A
公开(公告)日：2021-03-02
申请号：CN202011362265.8
申请日：2020-11-27
Applicant: 西安电子科技大学
Abstract: 本发明公开的基于多源认知融合的遮挡目标检测识别方法，解决现有方法对于遮挡的目标无法进行精确检测的问题。实现步骤是：构建多源训练数据集和测试数据集；构建改进的多源认知融合模块；生成融合后的训练数据集与测试数据集；引入目标检测网络Faster R‑CNN；用融合后的训练集对目标检测网络Faster R‑CNN进行训练；得到目标检测结果。本发明基于多源认知融合，使用了仿照人脑认知的注意力模块，在注意力机制模块中进行了光学图像与SAR图像的融合，以得到融合后的特征图，本发明对光学图像和SAR图像进行了融合，提取了光学图像和SAR图像的特征，提高了对目标，尤其是对遮挡目标的检测能力，用于对多源图像进行目标识别。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
