-
公开(公告)号：CN113627240B
公开(公告)日：2023-07-25
申请号：CN202110726043.8
申请日：2021-06-29
Applicant: 南京邮电大学
IPC: G06V20/13 , G06V20/10 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进SSD学习模型的无人机树木种类识别方法。首先，采用K‑means++方法进行聚类，分别得到默认候选框的尺度和宽高比信息，为下一步卷积神经网络模型提供参数；其次，构建卷积神经网络模型，改进基准SSD学习模型，增添能针对不同种类的图片噪声自适应产生不同滤波器的滤波层，在模型最后添加一个全局特征融合网络，改进基准SSD学习模型损失函数，并用预先获取的图片对模型进行训练；最后，基于改进SSD学习模型对树木种类进行检测。本发明通过在树木数据集上进行训练提取泛化的不同种类的树木所具有的特征表示，突出特征之间的可区分度，提高针对小目标的检测以及抗图片噪声能力，提高树木种类识别准确度。
-
Patent Agency Ranking
公开(公告)号：CN115063704A
公开(公告)日：2022-09-16
申请号：CN202210747559.5
申请日：2022-06-28
Applicant: 南京邮电大学
Abstract: 本发明提供了一种立体特征融合语义分割的无人机监测目标分类方法，构建可根据像素的横向和纵向位置放大特征信息重要性的立体注意力模块；构建迭连融合模块获取骨干网提起出的特征的上下文信息；构建具有编解码器结构的卷积神经网络，其中编码器采用MobilenetV2网络作为骨干网进行特征提取，以解决较大分辨率图像分割速率过慢问题，同时在骨干网中引入立体注意力模块以兼顾特征提取准确性；利用训练好的卷积神经网络对无人机航拍图像中的物体进行检测分类。本发明通过在无人机数据集上进行训练提取出泛化的目标物体所具有的特征表示，突出特征之间的可区分度，提高了模型运行速率和分类准确度。
-
公开(公告)号：CN113627240A
公开(公告)日：2021-11-09
申请号：CN202110726043.8
申请日：2021-06-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进SSD学习模型的无人机树木种类识别方法。首先，采用K‑means++方法进行聚类，分别得到默认候选框的尺度和宽高比信息，为下一步卷积神经网络模型提供参数；其次，构建卷积神经网络模型，改进基准SSD学习模型，增添能针对不同种类的图片噪声自适应产生不同滤波器的滤波层，在模型最后添加一个全局特征融合网络，改进基准SSD学习模型损失函数，并用预先获取的图片对模型进行训练；最后，基于改进SSD学习模型对树木种类进行检测。本发明通过在树木数据集上进行训练提取泛化的不同种类的树木所具有的特征表示，突出特征之间的可区分度，提高针对小目标的检测以及抗图片噪声能力，提高树木种类识别准确度。
-
公开(公告)号：CN116503760A
公开(公告)日：2023-07-28
申请号：CN202310471491.7
申请日：2023-04-27
Applicant: 南京邮电大学
IPC: G06V20/17 , G06V10/44 , G06V10/80 , G06V10/75 , G06V10/26 , G06V20/70 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于自适应边缘特征语义分割的无人机巡航检测方法，基于预定义多尺度多形状边缘检测算子组，利用基于边缘概率的多形状边缘特征融合方法，得到多形状边缘特征图；利用基于目标匹配度的多尺度边缘特征加权方法，得到多尺度多形状边缘特征图；搭建改进DeepLabV3+语义分割网络，在编码器中使用感受野融合空洞空间金字塔池化模块，将多尺度多形状边缘特征图组补充进网络解码器部分，并对改进网络进行训练；最后，利用训练好网络对无人机巡检所获得的遥感图像中的目标进行分割检测。本发明通过在无人机巡检数据集上进行训练提取泛化的巡检目标所具有的特征表示，突出不同目标特征之间的可区分度，提高检测准确度，减少了人工巡检的工作。
-
公开(公告)号：CN116363370A
公开(公告)日：2023-06-30
申请号：CN202310456470.8
申请日：2023-04-25
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V20/10 , G06V20/17 , G06V10/25 , G06V10/20 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种成像原理赋能的无人机巡检目标语义分割检测方法：首先，使用枯草目标区域高斯滤波方法，获得待定枯草目标区域反射图像；其次，对待定枯草目标区域反射图像进行色彩增强，得到枯草色彩校正图像；然后，搭建改进UNet语义分割网络，采用ResNet50网络作为特征提取网络，使用基于通道注意力的上下文信息融合模块代替原UNet网络跳跃连接中的直接拼接操作，并对改进后的网络模型进行训练；最后，利用训练好的改进UNet语义分割网络模型对无人机巡检所获得的遥感图像中的枯草进行检测。本发明通过在枯草数据集上进行训练提取泛化的枯草目标所具有的特征表示，突出特征之间的可区分度，提高枯草目标检测的准确度，减少了人工巡检的工作。
-
公开(公告)号：CN115063704B
公开(公告)日：2024-12-27
申请号：CN202210747559.5
申请日：2022-06-28
Applicant: 南京邮电大学
IPC: G06V20/17 , G06V20/52 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供了一种立体特征融合语义分割的无人机监测目标分类方法，构建可根据像素的横向和纵向位置放大特征信息重要性的立体注意力模块；构建迭连融合模块获取骨干网提起出的特征的上下文信息；构建具有编解码器结构的卷积神经网络，其中编码器采用MobilenetV2网络作为骨干网进行特征提取，以解决较大分辨率图像分割速率过慢问题，同时在骨干网中引入立体注意力模块以兼顾特征提取准确性；利用训练好的卷积神经网络对无人机航拍图像中的物体进行检测分类。本发明通过在无人机数据集上进行训练提取出泛化的目标物体所具有的特征表示，突出特征之间的可区分度，提高了模型运行速率和分类准确度。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
