公开(公告)号：CN117253117A

公开(公告)日：2023-12-19

申请号：CN202310826170.4

申请日：2023-07-07

Applicant: 西安电子科技大学

Inventor： 张铭津 ,  杨辰尧 ,  臧璠 ,  岳珂 ,  许嘉敏 ,  左龙 ,  李云松 ,  高新波

IPC: G06V10/82 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种复杂环境的高可信小目标检测方法，其实现步骤是，构建并训练高阶微分方程启发的弱小目标检测网络，利用该网络中的差分层生成模块模块对图像进行进行多次差分操作，得到不同尺度不同层次的小目标特征。利用高阶微分方程启发的弱小目标检测网络中的四阶Adams引导模块在多个特征项之间建立起了联系，构建了更强大的可解释网络。本发明主要解决在复杂背景下低信噪比的图像中的弱小目标的检测，具有抑制噪声、增强目标明显，网络精确提取不同层级特征获得弱小目标各级特征，虚警误警率低的优点。

公开(公告)号：CN116580276A

公开(公告)日：2023-08-11

申请号：CN202310235707.X

申请日：2023-03-13

Applicant: 西安电子科技大学杭州研究院

Inventor： 张铭津 ,  臧璠 ,  柏海琛 ,  岳珂 ,  冯卓 ,  郭杰 ,  李云松 ,  高新波

IPC: G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774 ,  G06V10/44 ,  G06V10/80

Abstract: 本发明公开了一种基于龙格‑库塔残差块的红外小目标检测方法，主要解决现有方法检测准确率较低的问题，实现步骤为：获取训练样本集和测试样本集；构建基于龙格‑库塔残差块的红外小目标检测模型：包括顺次连接的编解码网络和Head模块，以及边缘提取网络；对红外小目标检测模型进行迭代训练；获取红外图像小目标检测结果。本发明编解码网络中的龙格‑库塔残差块利用注意力机制在捕获长距离依赖关系和卷积神经网络在提取局部特征方面的优势来提取语义和保留细节，可以有效增强目标特征并抑制高频噪声，边缘提取网络能够从多个层次给予目标清晰的边缘信息，提高红外小目标检测的准确率。

公开(公告)号：CN116994091A

公开(公告)日：2023-11-03

申请号：CN202310941571.4

申请日：2023-07-28

Applicant: 西安电子科技大学

Inventor： 张铭津 ,  臧璠 ,  岳珂 ,  张萌 ,  郭杰 ,  李云松 ,  高新波

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于流体力学引导的小目标检测方法，主要解决现有方法检测准确率低的问题，实现步骤为：获取训练样本集和测试样本集；构建基于流体力学引导的小目标检测模型：包括Stem块、特征提取块、特征重建块及预测块；初始化参数；对小目标检测模型进行训练；对小目标检测模型的参数进行更新；获取小目标检测结果。本发明中特征提取块提取到不同层次的特征，特征重建块使用低层特征对高层特征进行图像重建，其中包含的流体力学引导的细节重建块结合了流体力学理论，精确重建小目标的形状、大小和方向特征，从而获得更清晰的小目标边缘结构细节信息，提高小目标检测的准确率。

公开(公告)号：CN116883812A

公开(公告)日：2023-10-13

申请号：CN202310852539.9

申请日：2023-07-12

Applicant: 西安电子科技大学

Inventor： 张铭津 ,  臧璠 ,  岳珂 ,  左龙 ,  郭杰 ,  李云松 ,  高新波

IPC: G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/54

Abstract: 本发明公开了一种可解释的基于高斯曲率的小目标检测方法，主要解决现有方法检测准确率低的问题，实现步骤为：获取训练样本集和测试样本集；构建可解释的基于高斯曲率的小目标检测模型：包括包括主干网络及与其并行排布的结构特征增强网络；初始化参数；对小目标检测模型进行训练；对小目标检测模型的参数进行更新；获取小目标检测结果。本发明中主干网络用来提取不同尺度的特征，结构特征增强网络中，结合数学理论构建高斯曲率引导的结构提取块，使得模型具有强可解释性，其通过高斯曲率计算有效提取纹理结构信息，特征融合块再将纹理结构信息与多尺度的特征信息进行融合，补偿主干网络中下采样操作丢失的目标特征，提高小目标检测的准确率。

公开(公告)号：CN116342868A

公开(公告)日：2023-06-27

申请号：CN202310283681.6

申请日：2023-03-22

Applicant: 西安电子科技大学

Inventor： 张铭津 ,  臧璠 ,  岳珂 ,  张秉颜 ,  李云松 ,  高新波

IPC: G06V10/25 ,  G06V10/44 ,  G06V10/52 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种基于多尺度特征补偿及门控增强的小目标检测方法，主要解决现有方法检测准确率低的问题，实现步骤为：获取训练样本集和测试样本集；构建基于多尺度特征补偿及门控增强的小目标检测模型：包括顺次连接的卷积模块、转置模块、门控增强模块和预测模块，以及加载在卷积模块和转置模块之间的多尺度特征补偿模块；对小目标检测模型进行迭代训练；获取测试样本的小目标检测结果。本发明中多尺度特征补偿模块用来提取下采样操作前后的浅层和深层特征，并利用浅层特征对深层特征补偿细节特征，提高多尺度上下文的表征能力，门控增强模块用来增强目标特征和抑制背景噪声，提高目标的信噪比，提高小目标检测的准确率。