-
公开(公告)号：CN117576578A
公开(公告)日：2024-02-20
申请号：CN202311478400.9
申请日：2023-11-08
Applicant: 北京航天自动控制研究所
Abstract: 本申请涉及深度学习技术领域，公开一种标注样本的方法，包括：按照设定的待限定尺寸在原始图像中限定出至少一个待标注图像；将每个待标注图像中的标注坐标转换成在所述原始图像中的绝对坐标，获得包含有绝对坐标的原始图像。这样，使得待标注图像中目标对象的标注坐标能够直接显示在原始图像中，进而在进行深度学习时，能够根据目标对象的标注坐标和神经网络模型的图像尺寸需求对原始图像进行切割，从而实现带有目标对象绝对坐标的原始图像能够在多个尺寸要求不同的神经网络模型中复用的效果。本申请还公开一种标注样本的装置、电子设备和存储介质。
-
公开(公告)号：CN111523392B
公开(公告)日：2023-06-06
申请号：CN202010224330.4
申请日：2020-03-26
Applicant: 北京航天自动控制研究所
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06N20/00
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：CN115936067A
公开(公告)日：2023-04-07
申请号：CN202211539305.0
申请日：2022-12-01
Applicant: 北京航天自动控制研究所
Inventor： 谢宇嘉 , 王晓峰 , 李悦 , 周辉 , 赵雄波 , 张辉 , 吴松龄 , 李晓敏 , 杨钧宇 , 路坤峰 , 张隽 , 丛龙剑 , 盖一帆 , 李山山 , 吴敏 , 林玉野 , 靳蕊溪
IPC: G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本公开涉及一种具有ECA通道注意力机制的神经网络，所述神经网络包括ECA通道注意力装置，所述ECA通道注意力装置包括：第一层级量化单元，对所述所输入数据进行层级量化，将浮点数输入数据转化为定点数输入数据；在所述第一层级量化模块中，整个输入张量共用一个量化步长和量化零点；通道级量化单元，对所述激活层的输出进行层级量化，所述通道级量化模块对每一个通道都单独计算一个量化步长和量化零点；通道乘法加权模块，所述第一层级量化输出数据与所述通道级量化输出数据进行通道加权乘法计算。本公开通过将一维卷积层级的结果进行无损精度输出，将激活层模块沿通道方向进行量化，其他数据使用层级量化操作的方案解决模型精度下降的问题。
-
公开(公告)号：CN110135561B
公开(公告)日：2021-06-11
申请号：CN201910357020.7
申请日：2019-04-29
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
Inventor： 张英 , 王世会 , 韦闽峰 , 王嘉贤 , 高晓颖 , 赵雄波 , 杨喆 , 郑文娟 , 陈伟 , 周辉 , 吴松龄 , 秦东辉 , 李毅 , 郭城 , 王婧 , 曹健 , 张兴 , 张继生 , 蔡燕斌 , 汪冬瑾 , 江存胜 , 刘建敬 , 赵一飞 , 戚红向 , 马征 , 赵星宇 , 孙德胜 , 杨俊峰 , 司文杰 , 黄如意 , 呼吁 , 王琦 , 陈红岩 , 周华 , 韩利军 , 杨广慧 , 冯丽 , 许琦 , 李悦 , 张辉 , 李晓东 , 李德强 , 野超
IPC: G06N3/04
Abstract: 一种实时在线飞行器AI神经网络系统，包括卷积定点滑动IP核、池化压缩量化IP核以及全连接压缩融合IP核。共i+1层，每个卷积定点滑动窗口IP核和池化压缩量化核结构相同。其中，传感器信号1为对于飞行器优先级最高的主惯导数据，它单独输入一个单元网络层在第二次卷积时需控制1至i+1层的输入。飞行器异构传感器数据，作为系统的输入；辨识结果作为系统的输出。卷积滑动窗口IP核，通过排除冗余数据的滑动窗快速实现数据特征的提取；池化压缩量化IP核，使用压缩量化技术，提高系统执行效率；全连接压缩融合IP核，经删减量化后压缩融合，输出满足飞行器实时飞行过程中对大量异构输入数据的高可靠性、低功耗智能集成处理需求。
-
公开(公告)号：CN111524098A
公开(公告)日：2020-08-11
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
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。
-
Patent Agency Ranking
公开(公告)号：CN111523564A
公开(公告)日：2020-08-11
申请号：CN202010213403.X
申请日：2020-03-24
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种用于深度学习训练的SAR时敏目标样本增广方法，属于图像处理技术和深度学习领域；包括如下步骤：步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集,转换成分辨率为b米的异源SAR图集；步骤二、找到全部目标，并将每个目标制作成SAR时敏目标切片，获得切片集；步骤三、从异源SAR图集中各图片截取背景图像，获得背景图像集；步骤四、对切片集中各切片进行优化处理；步骤五、建立时敏目标的学习样本集；步骤六、旋转时敏目标的学习样本，获得不同角度下的学习样本；本发明解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。
-
公开(公告)号：CN107067439B
公开(公告)日：2020-04-10
申请号：CN201710284686.5
申请日：2017-04-26
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
Abstract: 本发明一种基于车头检测的集装箱卡车定位与引导方法，步骤为：1)龙门吊上安装工业相机，进行一次定位点标定；2)在视频图像中检测车头，通过车头位置判断车头的运动方向；3)通过直线检测判断是否存在集装箱，如果满足条件则计算集装箱边缘与定位点的偏差角度和集装箱右前角点与定位点的相对距离，并通过显示装置将集装箱在规定区域的位置传递给驾驶员，实现集装箱卡车的定位和引导。本发明将集装箱在规定区域的位置实时直观的传递给卡车驾驶员，实现集装箱卡车的定位和引导。
-
公开(公告)号：CN110135561A
公开(公告)日：2019-08-16
申请号：CN201910357020.7
申请日：2019-04-29
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
Inventor： 张英 , 王世会 , 韦闽峰 , 王嘉贤 , 高晓颖 , 赵雄波 , 杨喆 , 郑文娟 , 陈伟 , 周辉 , 吴松龄 , 秦东辉 , 李毅 , 郭城 , 王婧 , 曹健 , 张兴 , 张继生 , 蔡燕斌 , 汪冬瑾 , 江存胜 , 刘建敬 , 赵一飞 , 戚红向 , 马征 , 赵星宇 , 孙德胜 , 杨俊峰 , 司文杰 , 黄如意 , 呼吁 , 王琦 , 陈红岩 , 周华 , 韩利军 , 杨广慧 , 冯丽 , 许琦 , 李悦 , 张辉 , 李晓东 , 李德强 , 野超
IPC: G06N3/04
Abstract: 一种实时在线飞行器AI神经网络系统，包括卷积定点滑动IP核、池化压缩量化IP核以及全连接压缩融合IP核。共i+1层，每个卷积定点滑动窗口IP核和池化压缩量化核结构相同。其中，传感器信号1为对于飞行器优先级最高的主惯导数据，它单独输入一个单元网络层在第二次卷积时需控制1至i+1层的输入。飞行器异构传感器数据，作为系统的输入；辨识结果作为系统的输出。卷积滑动窗口IP核，通过排除冗余数据的滑动窗快速实现数据特征的提取；池化压缩量化IP核，使用压缩量化技术，提高系统执行效率；全连接压缩融合IP核，经删减量化后压缩融合，输出满足飞行器实时飞行过程中对大量异构输入数据的高可靠性、低功耗智能集成处理需求。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.028 seconds)
