公开(公告)号：CN119445077A

公开(公告)日：2025-02-14

申请号：CN202411532087.7

申请日：2024-10-30

Applicant: 北京理工大学

Inventor： 王裕沛 ,  陈亮 ,  金雨萱

IPC: G06V10/25 ,  G06V20/10 ,  G06V10/40 ,  G06V10/764 ,  G06V10/766 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本公开提供了一种结合多分支解耦头和特征增强的目标检测方法和装置，该方法选择YOLOv5模型作为基准框架设计目标检测网络进行目标检测；目标检测网络包括主干网络、颈部网络和头部模块。首先主干网络采用卷积神经网络对输入图像进行特征提取，获得3个不同层级的特征图；颈部网络对所述3个不同层级的特征图分别进行特征增强后，再进行特征融合，以进一步提取特征；所述特征增强加入空洞卷积处理以扩大感受野；头部模块采用三分支解耦头，将目标检测中的类别预测、预测框定位和置信度计算独立为三个网络分支，对提取的特征进行卷积操作，输出类别预测、预测框定位和置信度计算结果。使用本发明能够提高遥感图像小尺度目标检测精度。

公开(公告)号：CN118501831A

公开(公告)日：2024-08-16

申请号：CN202410503705.9

申请日：2024-04-25

Applicant: 北京理工大学

Inventor： 尹逸斐 ,  陈亮 ,  师皓 ,  李健昊 ,  张平 ,  王裕沛

IPC: G01S7/41 ,  G01S13/90 ,  G06V20/10 ,  G06V10/764 ,  G06V10/82 ,  G06N3/047 ,  G06N3/09

Abstract: 本发明提供一种基于散射中心驱动的SAR目标识别方法，包括：构建属性散射中心模型，并获取目标切片图像，初始化属性散射中心模型的参数；根据参数初始化后的属性散射中心模型得到目标散射中心图像，与目标切片图像相加，并通过第一骨干特征提取网络获得第一概率向量，采用交叉熵损失函数计算第一损失值；将目标散射中心图像输入第二骨干特征提取网络，得到第二概率向量，采用交叉熵损失函数计算第二损失值；根据第一损失值和第二损失值得到目标损失函数，重复计算直至目标损失函数收敛，得到目标识别网络；获取待识别的SAR图像，输入至目标识别网络，得到目标识别结果。本发明能够有效提取目标属性散射中心，实现SAR图像目标的稳健识别。

公开(公告)号：CN113205564A

公开(公告)日：2021-08-03

申请号：CN202110374200.3

申请日：2021-04-07

Applicant: 北京理工大学

Inventor： 曾涛 ,  丁泽刚 ,  卫扬铠 ,  王裕沛 ,  王岩 ,  刘常浩 ,  张磊

IPC: G06T11/00 ,  G06N3/08 ,  G06N3/04 ,  G01S13/90

Abstract: 本发明公开了一种SAR智能目标边缘重构方法，一、建立目标线性边缘的参数化散射模型，解析表达出雷达观测角度、雷达发射频率和目标线性边缘几何参数间的关系；二、利用参数化散射模型生成设定观测角度、发射频率下的训练数据；三、将传统U‑Net网络复数化得到改进型U‑Net网络；四、将步骤二中生成的训练数据输入改进型U‑Net网络中进行训练，将需要重构的SAR复图像输入改进型U‑Net网络训练模型即可重构出SAR目标的边缘散射信息；本发明能够解决传统SAR成像算法中的目标线性边缘不连续、计算复杂度高和参数难自适应等问题。

公开(公告)号：CN118366039A

公开(公告)日：2024-07-19

申请号：CN202410597472.3

申请日：2024-05-14

Applicant: 北京理工大学

Inventor： 常源 ,  王裕沛 ,  陈亮

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种基于边界引导和交互注意力的遥感图像地物分类方法及系统，能够实现高精度遥感图像地物分类。该方法的具体过程为：步骤一，从输入图像中提取多级特征，得到不同层次的特征图；步骤二，采用多级特征融合方式，从多级特征图中提取与目标相关的边缘语义；步骤三，将所得到的边缘语义与不同层级的特征图进行融合，得到初始增强特征；步骤四，对所述初始增强特征图进行交互注意力处理，得到多个层级的二次强化特征图；步骤五：将所述多个层级的二次强化特征图进行多尺度特征提取，生成预测结果，实现遥感图像地物分类。

公开(公告)号：CN118411635A

公开(公告)日：2024-07-30

申请号：CN202410506691.6

申请日：2024-04-25

Applicant: 北京理工大学

Inventor： 尹逸斐 ,  陈亮 ,  师皓 ,  钟鸿湖 ,  李健昊 ,  王裕沛

IPC: G06V20/17 ,  G06V10/44 ,  G06V10/764 ,  G06N20/00

Abstract: 本发明提供基于自监督对比学习的熵辅助SAR图像飞机目标分类方法，其中，方法包括：获取SAR图像，构建自监督对比学习特征网络，根据所述SAR图像和所述自监督对比学习特征网络得到SAR特征提取图像；构建基于全连接层的分类器，以所述SAR特征提取图像为输入，得到类别预测概率；根据所述类别预测概率得到SAR图像飞机分类结果。本发明提高了SAR图像飞机目标细粒度分类的准确度和鲁棒性，适用于复杂背景和多种目标情景，具有较强的实用性和应用前景。

公开(公告)号：CN118411604A

公开(公告)日：2024-07-30

申请号：CN202410503735.X

申请日：2024-04-25

Applicant: 北京理工大学

Inventor： 何静飞 ,  陈亮 ,  师皓 ,  杨靖怡 ,  尹逸斐 ,  王裕沛

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/77 ,  G06V10/58 ,  G06V10/764 ,  G06V10/82 ,  G06V10/30 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于轻量化扩散模型去噪网络的高光谱图像分类方法，本发明基于对原始高光谱图像提取PCA分量，并将PCA图像块和原始高光谱图像切割成的图像块作为输入至扩散模型进行去噪网络训练；并对扩散模型解码器简化后，利用输入预训练解码器生成需要的高光谱图像块样本，增加原先数量较少的类别的样本数量；利用分类方法对生成样本的合理性进行测试。相较于传统的高光谱图像分类方法，本方案通过增加样本数量和提升样本类间平衡度的数据扩充方法从而提升高光谱图像分类准确度，并且利用PCA图像块和加噪图像块对扩散模型解码器进行预训练，使得解码器能够从高光谱图像中充分获取全局空间和光谱信息，从而生成更为真实的高光谱图像，提高生成样本真实性。

公开(公告)号：CN115909081A

公开(公告)日：2023-04-04

申请号：CN202211317049.0

申请日：2022-10-26

Applicant: 北京理工大学

Inventor： 王裕沛 ,  师皓 ,  陈亮 ,  张皓然

IPC: G06V20/13 ,  G06V10/44 ,  G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明公开了边缘引导多尺度特征融合的光学遥感图像地物分类方法，涉及光学遥感图像处理技术领域，能够保留空间细节特征信息，并有效融合高层语义信息与低层细节信息，以得到精细准确的地物分类结果。包括以下步骤：主干网络对输入的光学遥感图像进行处理，获得多个不同层次的特征图，将不同层次的特征输入边缘特征提取模块，通过边缘真值图监督该模块的学习过程，并由卷积网络输出多尺度边缘感知特征。多尺度边缘感知特征和高层特征输入边缘引导特征融合模块，通过矩阵相关运算和卷积层实现多尺度的特征融合，得到融合特征，并通过上采样输出分割结果。最后由真值图监督分割结果，以监督整个学习过程。下面将详细介绍各个模块。

公开(公告)号：CN117593640A

公开(公告)日：2024-02-23

申请号：CN202311560406.0

申请日：2023-11-21

Applicant: 北京理工大学

Inventor： 王裕沛 ,  罗兆亿 ,  陈亮

IPC: G06V20/10 ,  G06V10/80 ,  G06V10/82 ,  G06V10/52 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于光学遥感图像成像技术领域，具体涉及一种基于频域特征挖掘的光学遥感图像目标检测系统及方法。该系统由双路径组成，分别为空域分支和频域分支。本方法设计了一个应用于遥感图像目标检测的频域分支，采用DCT变换构建频域特征，并设计了独特的卷积和Transformer混合的频域特征强化网络模块吧。本方法设计了一个独特的频域‑空域特征融合模块，有效的实现了空域特征和频域特征的融合，达到了补充空域特征缺失的重要空间细节特征的效果。

公开(公告)号：CN116503732A

公开(公告)日：2023-07-28

申请号：CN202310326057.X

申请日：2023-03-30

Applicant: 北京理工大学

Inventor： 江政杰 ,  李健昊 ,  陈亮 ,  师皓 ,  王裕沛

IPC: G06V20/10 ,  G06V10/30 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/094

Abstract: 本发明提供了一种基于域适应的无监督SAR图像舰船目标检测方法，通过从像素级和特征级逐步将光学图像域中的知识迁移到SAR图像域。在像素级，引入扩散模型，将光学域的舰船目标切片转化为伪SAR域的切片，然后与纯海洋背景结合起来，生成丰富的高质量过渡域图像，有效减小了光学图像域和SAR图像域之间的语义鸿沟。在特征级，通过构建以transformer为基础的检测器，在特征提取后和结果预测前分别利用对抗学习策略进行特征对齐操作，SAR域检测器可以从过渡域检测器中学习不变特征，提高对目标检测能力。最后，在SAR图像域利用学习到的检测器，对待处理的SAR图像进行舰船目标检测。在一定程度上缓解了标注SAR图像带来的巨大人工和时间消耗。

公开(公告)号：CN116486158A

公开(公告)日：2023-07-25

申请号：CN202310457467.8

申请日：2023-04-24

Applicant: 北京理工大学

Inventor： 王裕沛 ,  常源 ,  陈亮

IPC: G06V10/764 ,  G06V10/40 ,  G06V10/44 ,  G06V10/80 ,  G06V20/10

Abstract: 本发明公开了一种边界引导的光学遥感图像地物分类方法。光学遥感图像地物分类是遥感影像解译工作中的热点研究问题，其在民用、国防领域都发挥着重要作用。准确及时地从遥感影像中获取地物信息有着实际需求。通常的基于卷积神经网络的地物分类方法在逐层学习特征过程中，会损失空间信息同时对图像中的长距信息及全局上下文信息关注较少。本发明旨在基于Transformer架构，借助注意力机制对长距信息和全局上下文信息进行更好的利用，以实现较好的特征融合，进而改善分割效果。