-
公开(公告)号：CN119197530B
公开(公告)日：2025-04-15
申请号：CN202411334985.1
申请日：2024-09-24
Applicant: 北京航空航天大学
Abstract: 本发明提供一种基于大模型任务解析的无人机视觉语言导航方法，包括以下步骤：S1、利用导航任务解析模块将导航指令分解为多个子任务，在经过文本编码器以后通过子任务切换模块获取当前执行子任务的文本特征；S2、利用视觉编码器获取当前子任务输入前视图像的视觉特征；S3、利用视觉文本特征通过多模态编码器获取当前子任务各个时刻对应的导航动作输出。本发明能够提高视觉语言导航动作决策的可解释性和准确率。
-
公开(公告)号：CN119245649A
公开(公告)日：2025-01-03
申请号：CN202411334765.9
申请日：2024-09-24
Applicant: 北京航空航天大学
IPC: G01C21/20 , G01C21/36 , G06T7/73 , G06N3/0464
Abstract: 本发明提供一种基于视觉目标参照引导的无人机视觉语言导航方法，包括：利用导航任务解析模块将导航指令划分为多个子任务，并为每个子任务建立不同阶段的参照，在经过文本编码器以后通过子任务切换模块获取当前执行子任务的文本特征；通过目标定位模块中的目标检测网络识别当前时刻导航场景中的各类目标对象，并利用视觉编码器获取前视图像的视觉特征；将参照的导航文本通过目标解析模块转化为一阶逻辑程序，结合当前时刻的前视图像输入到目标定位模块实现关键目标的定位；利用视觉引导模块学习当前导航行为，并将更新后的视觉文本特征输入多模态编码器引导当前子任务各个时刻导航动作的输出，训练时引入一种自适应加权机制来最小化损失。
-
公开(公告)号：CN118537398A
公开(公告)日：2024-08-23
申请号：CN202410447573.2
申请日：2024-04-15
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于几何建模透视约束的菲涅尔助降系统光学景象估计方法，包括：获取无人机位姿数据、内部参数以及菲涅尔助降系统图像数据；基于无人机内部参数对无人机位姿数据及菲涅尔助降系统图像数据进行修正；将修正后的数据作为输入，获得光线轨迹；对结果进行选取，通过测量多条光线的关系，对光线归一化、权值赋予；计算虚点的三维世界坐标；将虚点再根据成像模型投射到图像平面上；在图像中将虚点位置与参考点位置比较，给出无人机与理想进近位置的偏离关系，进而生成无人机操控指令。本发明采用图像光线追踪及几何建模方式，运用透视约束对原始光学景象进行处理推导，构建并估计人眼同角度所视虚像点位，实现助降系统的应用优化。
-
公开(公告)号：CN114913472B
公开(公告)日：2024-06-25
申请号：CN202210167951.2
申请日：2022-02-23
Applicant: 北京航空航天大学
IPC: G06V20/52 , G06V20/40 , G06V10/26 , G06V10/762 , G06T7/11 , G06T7/136 , G06T7/187 , G06T7/246 , G06T7/269
Abstract: 本发明公开了一种联合图学习与概率传播的红外视频行人显著性检测方法，能够在红外视频中自动定位红外行人区域，并准确地将行人与背景区分开。其步骤如下：一：基于布尔图的候选区域生成；二：计算各帧图像的运动显著性；三：构建多视角时空图结构；四：构建结合图自学习和显著性传播的能量函数并求解。通过以上步骤，本方法能够从杂乱背景及多重复杂运动中准确且鲁棒地提取出红外行人目标的时空显著性，并将背景几乎完全抑制，在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
-
公开(公告)号：CN117761638A
公开(公告)日：2024-03-26
申请号：CN202310213802.X
申请日：2023-03-08
Applicant: 北京航空航天大学
IPC: G01S7/40
Abstract: 本发明提供一种基于时间同步关系的着舰引导雷达校准评估方法，针对目前舰载动态导航系统中着舰引导雷达的校验评估的研究处于起步阶段，本发明采用无人机飞行平台，实现机载舰载双平台时间同步关系，利用机载的GNSS定位信息为基准源，将舰载引导雷达的定位信息与基准源定位信息进行对比，获取方位、仰角和距离等精确度信息偏差，充分利用了无人机平台采集数据的便捷性，以及全球卫星导航系统GNSS的实时性及高精度性。本发明提出了一种不需要借助人眼、经纬仪等辅助手段的校准评估方法，提高了校准评估的可靠性和精确度。
-
Patent Agency Ranking
公开(公告)号：CN117474864A
公开(公告)日：2024-01-30
申请号：CN202311432932.9
申请日：2023-11-01
Applicant: 北京航空航天大学
IPC: G06T7/00 , G06T7/11 , G06T3/4007 , G06V10/26 , G06V10/40 , G06V10/74 , G06V10/771 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/088 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种无监督表面异常检测方法，网络结构主要包括预训练网络以及特征筛选模块两部分，其中预训练网络是在ImageNet等大型数据集上进行预训练好的，作为一个特征提取器使用。本发明首先利用预训练网络提取训练数据集中所有样本的不同尺度的特征，并保存起来作为一个特征池。考虑到数据集中的样本可能存在缺陷样本，因此之后计算特征池中的统计分布，利用马氏距离作为判据来筛除那些异常可能性高的样本。特征筛选完成之后，为了减少测试时间，对特征池进行核心集采样。进行异常检测时，利用预训练网络提取待测试样本的特征，在特征池中进行KNN搜索，并依据搜索结果进行判定样本是否存在缺陷并对缺陷进行定位。本发明结合了深度学习中预训练策略，结合统计学中的分布采样，解决了当前主流无监督表面异常检测方法对训练数据要求高、鲁棒性差的问题。
-
公开(公告)号：CN115297254A
公开(公告)日：2022-11-04
申请号：CN202210781478.7
申请日：2022-07-04
Applicant: 北京航空航天大学
IPC: H04N5/232 , H04N5/235 , H04N5/225 , H04M1/72439
Abstract: 本发明设计了一种便携式高辐射条件下高动态成像融合系统，其特点在于利用手机等移动终端获取多曝光图像序列，后在单图像校准约束下实现对图像进行高动态恢复，同时实现多图像间的高动态融合。所述系统的基本过程包括：系统调控手机获取多曝光序列，将获取到的8位低动态图像，经图像处理管道进行存储；再分别输入到去量化网络和像素曝光校准网络得到32位图像，将获得的32位低动态图像分别输入到线性化网络和像素曝光校准网络进行线性化，获得线性辐照度图像；将线性辐照度图像分别通过幻觉网络和像素曝光校准网络以减小动态范围裁剪造成的信息丢失；最后，得到的图像经过优化网络进行优化得到所需的高动态图像并输出。
-
公开(公告)号：CN114913472A
公开(公告)日：2022-08-16
申请号：CN202210167951.2
申请日：2022-02-23
Applicant: 北京航空航天大学
IPC: G06V20/52 , G06V20/40 , G06V10/26 , G06V10/762 , G06T7/11 , G06T7/136 , G06T7/187 , G06T7/246 , G06T7/269
Abstract: 本发明公开了一种联合图学习与概率传播的红外视频行人显著性检测方法，能够在红外视频中自动定位红外行人区域，并准确地将行人与背景区分开。其步骤如下：一：基于布尔图的候选区域生成；二：计算各帧图像的运动显著性；三：构建多视角时空图结构；四：构建结合图自学习和显著性传播的能量函数并求解。通过以上步骤，本方法能够从杂乱背景及多重复杂运动中准确且鲁棒地提取出红外行人目标的时空显著性，并将背景几乎完全抑制，在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
-
公开(公告)号：CN110751626B
公开(公告)日：2022-07-19
申请号：CN201910884105.0
申请日：2019-09-19
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于像元可靠性判定的卫星全色和多光谱融合图像光谱失真评价方法，属于计算机视觉技术领域。本发明针利用全色图像和多光谱图像间的结构差异，对融合图像像元的可靠行进行判定，对可靠像元部分采用光谱角对其光谱失真程度进行评价，对不可靠像元部分则通过卫星上搭载相机的MTF曲线得出恢复系数，计算不可靠像元图像所对应的强度灰度图，并通过计算该强度灰度图与全色图像中相对应位置图像的结构相似度作为其光谱失真程度的评价结果。最后通过将前面所得结果看成二维平面上一点并将该点与理想点之间的欧氏距离作为融合图像光谱失真程度的评价值。
-
公开(公告)号：CN108090911B
公开(公告)日：2022-04-01
申请号：CN201810016203.8
申请日：2018-01-08
Applicant: 北京航空航天大学
IPC: G06T7/11 , G06T7/194 , G06K9/62 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种光学遥感图像的近岸舰船分割方法，包括：对光学遥感图像进行逐个像素标注，构成网络训练集；利用所述网络训练集对候选区域提取网络进行训练，并生成近岸舰船候选区域；利用所述近岸舰船候选区域训练区域分类网络和语义分割网络；对所述候选区域提取网络、所述区域分类网络和所述语义分割网络进行微调；将微调后的所述候选区域提取网络、微调后的所述区域分类网络和微调后的所述语义分割网络进行级联，得到端到端深度卷积神经网络；基于所述端到端深度卷积神经网络进行近岸舰船分割，不仅将近岸舰船从背景中分割出来，还能够实现在近岸舰船之间进行分割，分割效果好。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.035 seconds)
