-
公开(公告)号：CN105223230A
公开(公告)日：2016-01-06
申请号：CN201510633286.1
申请日：2015-09-29
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
IPC: G01N25/20
Abstract: 本发明提供一种红外透波材料热辐射特性测量方法，包括，将红外透波材料制作成平板试验件，并加热到测量要求温度；设置面源黑体的温度到指定温度，用红外测量仪测量面源黑体的红外辐射；测量透过试验件的黑体红外辐射；改变面源黑体的指定温度，重复测量；计算红外透波材料在测量要求温度的透过率和自身热辐射；指定新的试验件测量要求温度，面源黑体温度回到初始值，重复测量并计算红外透波材料在多个测量要求温度下的透过率和自辐射。本发明用于测量高温状态下的红外透波材料透过率和自身热辐射，弥补了常规测量仅适用于常温状态测量且仅能直接给出透过率的不足。
-
公开(公告)号：CN114067195B
公开(公告)日：2024-08-13
申请号：CN202111221228.X
申请日：2021-10-20
Applicant: 北京航天自动控制研究所
IPC: G06V20/00 , G06V10/774 , G06V10/82 , G06N3/044 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗的目标检测器学习方法，属于人工智能技术领域，促使样本生成器生成更加真实的生成图像，使得生成图像提高网络的检测性能，还能够提高网络的训练效率。方法包括：构建循环生成对抗学习模型；所述循环生成对抗学习模型包括两组样本生成器；构建联合网络模型；所述联合网络模型在所述循环生成对抗学习模型中集成有目标检测器；所述目标检测器与所述两组样本生成器相连，并将两组真实图像，以及由所述两组样本生成器生成的两组生成图像作为输入，在梯度反向传播过程中将梯度值输出至所述两组样本生成器；对所述联合网络模型进行训练，并将由所述目标检测器输出的梯度值反向传播至对应的样本生成器中，直至所述联合网络模型收敛。
-
公开(公告)号：CN111368935B
公开(公告)日：2023-06-09
申请号：CN202010188535.1
申请日：2020-03-17
Applicant: 北京航天自动控制研究所
IPC: G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/088
Abstract: 本发明一种基于生成对抗网络的SAR时敏目标样本增广方法，步骤如下：1)构建区域卷积生成对抗网络，实现两模型的前向与反向传播功能；2)制作区域卷积生成对抗网络训练数据集，从目标检测训练数据集中提取切片；3)对区域卷积生成对抗网络进行训练，利用对抗网络训练数据集对区域卷积生成对抗网络进行迭代训练，直到区域卷积生成对抗网络中的生成模型获得稳定且符合期望的输出结果，并保存生成模型与判别模型的权重；4)调整参数批量生成样本，对完成训练的区域卷积生成对抗网络中生成模型装订所保存的参数，根据实际使用需求设置参数输入至生成模型，生成符合期望框体的样本；5)制作用于目标检测识别算法训练的数据集。
-
公开(公告)号：CN111524098B
公开(公告)日：2023-05-12
申请号：CN202010265447.7
申请日：2020-04-07
Applicant: 北京航天自动控制研究所
Inventor： 郝梦茜 , 张辉 , 周斌 , 杨柏胜 , 倪少波 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 田爱国 , 邵俊伟 , 李建伟 , 张孝赫 , 张连杰 , 张艺明
IPC: G06T7/00 , G06T7/10 , G06F18/23 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法，属于卷积神经网络的目标检测识别技术领域，特别提供了一种针对SSD算法的网络输出层裁剪及模板框尺寸确定方法。使用自组织聚类可以在不确定目标尺寸分布的情况下获得更好的聚类结果，使用聚类结果计算目标上限面积，确定输出层层数，删掉感受野过大、层数过深的输出层，减少网络深度和参数数量，降低模型训练的难度，加快模型收敛，提高模型泛化能力，减少计算耗时，提高计算效率。
-
公开(公告)号：CN111652288A
公开(公告)日：2020-09-11
申请号：CN202010393093.4
申请日：2020-05-11
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种基于稠密特征金字塔的改进型SSD小目标检测方法。为丰富浅层的特征信息和深层的细节信息，本发明利用一种稠密的特征金字塔网络结构对VGG16提取的特征信息进行强化融合；为增强复杂背景下小目标的检测能力，改善特征层对不同尺寸小目标的适应能力，本发明结合不同深度特征层感受野的特点，提出在同一特征层上增加预测框的部署密度以及在同一特征层上通过增加不同尺度大小的预测框，即PriorBox的数量和尺寸进行了相应的调整。
-
Patent Agency Ranking
公开(公告)号：CN111539600A
公开(公告)日：2020-08-14
申请号：CN202010265424.6
申请日：2020-04-07
Applicant: 北京航天自动控制研究所
Inventor： 郝梦茜 , 张辉 , 周斌 , 肖利平 , 唐波 , 杨柏胜 , 倪少波 , 田爱国 , 邵俊伟 , 李建伟 , 张孝赫 , 张连杰 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 刘燕欣 , 高琪 , 王浩 , 张聪 , 张伯川 , 王亚辉
Abstract: 一种基于测试的神经网络目标检测稳定性评价方法，对测试图片进行位置、尺度、旋转、亮度、加噪与平滑变换，使用变换后的图片对神经网络进行测试，统计测试结果在不同变化情况下置信度的标准差以及定位准确度的标准差，并将各标准差进行综合得到神经网络目标检测稳定性综合评价结果。本发明提出的评价方法能够评估神经网络面对目标位置、尺度、旋转、亮度、噪声与平滑变化情况下保持对目标稳定检测的能力，可作为神经网络在面对变化或扰动情况下目标检测可靠性评价指标的一种，有利于从不同侧面评价神经网络的性能。
-
公开(公告)号：CN111523645A
公开(公告)日：2020-08-11
申请号：CN202010300550.0
申请日：2020-04-16
Applicant: 北京航天自动控制研究所
Abstract: 本发明一种提升小尺度目标检测识别性能的卷积神经网络设计方法，步骤如下：(1)选取原始网络的N个输出节点；(2)对每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层；(3)建立每一层特征漏斗层的输出，对每一层特征漏斗层末端设置两个输出，称为特征漏斗层的输出一和特征漏斗层的输出二；(4)级联全部特征漏斗层，构建特征漏斗网络；(5)进行多尺度预测，完成网络设计。
-
公开(公告)号：CN111523392A
公开(公告)日：2020-08-11
申请号：CN202010224330.4
申请日：2020-03-26
Applicant: 北京航天自动控制研究所
Abstract: 本发明一种基于卫星正射影像全姿态的深度学习样本制备方法及目标识别方法，(1)利用目标的卫星正射影像数据，使用光线追踪的方法，生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像(也是待参与深度学习训练的样本)；(2)将所述目标区图像进行灰度反转处理，得到样本；(3)将所述目标区图像进行高斯模糊处理，得到样本；(4)将所述目标区图像进行对数变换，得到样本；(5)调整所述目标区图像亮度，得到样本；(6)对所述目标区图像进行直方图均衡化，得到样本；(7)将步骤(1)～(6)的样本形成最终的待参与深度学习训练的样本集；有利于提高对飞行器实际拍摄的目标图像进行识别的准确率。
-
公开(公告)号：CN114066979B
公开(公告)日：2025-03-14
申请号：CN202111186916.7
申请日：2021-10-12
Applicant: 北京航天自动控制研究所
IPC: G06T7/73 , G06T3/4046 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种目标样本标注生成方法，属于深度学习技术领域，解决多个需求不同图片大小的目标样本的神经网络中复用的问题。方法包括：根据预设重叠比例、预切割小图尺寸及预设外扩比例对大图进行切割；对切割得到的小图中的目标样本进行标注，得到标注点在各小图上的相对坐标；根据相对坐标对应小图相对于大图的切割位置、在各小图上的相对坐标、所述预设重叠比例、所述预切割小图尺寸及所述预设外扩比例，确定各标注点在所述大图上的绝对坐标，得到包含有标注点绝对坐标的大图。
-
公开(公告)号：CN111401210B
公开(公告)日：2023-08-04
申请号：CN202010167033.0
申请日：2020-03-11
Applicant: 北京航天自动控制研究所
Inventor： 郝梦茜 , 张辉 , 周斌 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 王浩 , 张伯川 , 王亚辉 , 张聪 , 刘燕欣 , 高琪 , 肖利平 , 倪少波 , 杨柏胜
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T7/62
Abstract: 一种基于模板框增广的提高小目标检测稳定性的方法，步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值和目标尺寸参考最大值；步骤三：根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数，计算各层关注目标的归一化尺寸；步骤四：根据各层关注目标归一化尺寸以及各特征层尺寸，计算各特征层模板框期望间距；步骤五：根据各特征层模板框期望间距，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。本发明降低算法对小目标位置的敏感度，提高小目标检测的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.032 seconds)
