-
公开(公告)号：CN113205564B
公开(公告)日：2023-05-05
申请号：CN202110374200.3
申请日：2021-04-07
Applicant: 北京理工大学
IPC: G06T11/00 , G06N3/08 , G06N3/0455 , G06N3/0464 , 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：CN115565066A
公开(公告)日：2023-01-03
申请号：CN202211173313.8
申请日：2022-09-26
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于Transformer的SAR图像舰船目标检测方法，针对小尺度SAR舰船目标，以Transformer作为主干网络，通过可变形注意力机制融合舰船有效信息，提高检测精度。首先对输入的原始图像进行Patch划分。将patch划分后的图像输入由Transformer构成的四阶段特征提取骨干网络，得到由浅到深的四个不同尺度的特征。将四个不同尺度的特征输入特征金字塔网络进行特征融合，得到由浅到深的五个不同尺度的融合特征。根据原始图像的舰船位置标注，提取目标的粗提取边缘图像。将最浅层的融合特征以及粗提取边缘图像输入边缘指导的形状增强模块，得到增强后的最浅层融合特征。增强后的最浅层融合特征和其他四个尺度的融合特征输入无锚框的目标检测头部，得到目标检测结果。
-
公开(公告)号：CN119672291A
公开(公告)日：2025-03-21
申请号：CN202411578077.7
申请日：2024-11-07
Applicant: 北京理工大学
IPC: G06V10/25 , G06N3/045 , G06N3/0895 , G06V10/82 , G06V10/88
Abstract: 本发明公开了一种基于多视角自适应特征对齐的光学遥感图像目标检测域适应方法。本发明提出的多视角自适应特征对齐模块首先利用交叉注意力机制自适应的捕获图像中的域特定特征。随后，方法采用对比学习的训练方式，增强特征对齐模块聚合特征的差异性，以实现不同视角的特征聚合。与现有方法相比，该方法可以更有效捕捉光学遥感图像中的域特定特征，实现更精准的特征对齐。
-
Patent Agency Ranking
公开(公告)号：CN119360026A
公开(公告)日：2025-01-24
申请号：CN202411531156.2
申请日：2024-10-30
Applicant: 北京理工大学
IPC: G06V10/26 , G06V20/10 , G06V20/70 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/42 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明属于光学图像成像技术领域，具体涉及一种基于视觉转换器和Mamba的双分支遥感图像语义分割方法及装置。该方法的具体过程为：首先，给定RGB编码的输入图像，图像送至ViT分支和Mamba分支并行处理；其次，ViT分支和Mamba分支通过分层Block结构与下采样的方式分别生成4个特征映射，分别表示为集合S＝{FSi|i＝1,2,3,4}和集合M＝{FMi|i＝1,2,3,4}；再次，使用跨域融合模块将ViT分支和Mamba分支第2、4阶段的不同种特征进行一致性融合，并通过下采样将第2阶段融合特征图添加至第4阶段融合特征图中；最后，利用第4阶段跨域融合后的特征表示作为分割头实现输入图像的语义分割。
-
公开(公告)号：CN119251646A
公开(公告)日：2025-01-03
申请号：CN202411343087.2
申请日：2024-09-25
Applicant: 北京理工大学
IPC: G06V10/82 , G06V10/774 , G06V20/70 , G06N3/0895 , G06N3/096 , G06V10/74 , G06V10/80 , G06V10/764
Abstract: 本发明属于遥感图像成像技术领域，提供一种基于对比学习和多原型对齐的遥感图像无监督域适应方法，具体过程为：构建教师‑学生网络，并设置教师‑学生网络中训练时所需用到的跨域多原型对齐模块及像素级跨域对比学习模块；在教师‑学生网络训练时，利用跨域多原型对齐模块提取源域和目标域内各类别的原型并最小化它们的特征距离，利用像素级跨域对比学习模块显式建模跨域像素样本的全局语义关系，建立具有高类内紧凑性和高类间可分性的嵌入空间。
-
公开(公告)号：CN118447228A
公开(公告)日：2024-08-06
申请号：CN202410558649.9
申请日：2024-05-08
Applicant: 北京理工大学
IPC: G06V10/25 , G06V20/13 , G06V10/44 , G06V10/42 , G06V10/30 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06V10/771 , G06V10/82
Abstract: 本发明属于光学遥感图像处理技术领域，具体涉及一种基于频域特征对齐的光学遥感图像目标检测域适应方法。本发明提出的频域特征对齐模块首先将检测器提取的特征转换到频率空间中，通过简化注意力求解器，并利用该轻量级注意力机制，显著增强提取特征中的域特定信息。与现有方法相比，该方法可以更有效捕捉光学遥感图像中的目标特征，实现更精准的特征对齐。其中频域特征对齐模块，利用一种基于门控机制的可学习滤波器网络来选择性地对齐复杂背景中的域特定信息。与现有方法相比，该方法可以有效抑制图像中复杂背景特征的干扰，实现更精准的特征对齐。
-
公开(公告)号：CN117934834A
公开(公告)日：2024-04-26
申请号：CN202410072508.6
申请日：2024-01-18
Applicant: 北京理工大学
IPC: G06V10/26 , G06V20/13 , G06V10/25 , G06V10/764
Abstract: 本发明属于光学图像成像技术领域，具体涉及一种基于多层级上下文交互的光学遥感图像语义分割方法。本发明的方法对原始特征表示和粗聚合图像级上下文进行聚合操作，在数据集级上下文线索的交互和引导下，分别学习互补的上下文线索，优化信息共享，获取更有效的多层级上下文特征表达；在上下文聚合阶段引入相互交互，获得一致性和兼容性良好的上下文。利用数据集级上下文线索，自适应地增强原始特征表示的语义信息。适应遥感场景的密集目标和复杂目标分割：本发明能够在复杂的背景中工作，数据集上下文可以高效补充难分类对象的特征，图像级上下文可以高效补充小目标和密集目标的空间细节，两者互补可以提升遥感场景语义分割的鲁棒性。
-
公开(公告)号：CN117333672A
公开(公告)日：2024-01-02
申请号：CN202311521642.1
申请日：2023-11-15
Applicant: 北京理工大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于空间细节和注意力的遥感图像分割网络结构及方法，解决语义分割方法中，空间细节信息丢失，未建立长距离依赖，以及没有充分利用全局上下文信息的问题，以减小误分割概率，提升分割精度，从而获取良好的图像分割效果。本发明设计了一种基于CNN和编解码器的网络。该网络包含多尺度融合的通道注意力模块和特征引导空间分布模块，其中，多尺度融合的通道注意力模块融合多层级信息到注意力机制中，可以突出特征判别能力，增大类间区分性。特征引导空间分布模块可以利用全局信息和通道特征引导和调节低层级特征图空间分布，增强关键空间细节特征的表达。本发明还提供了一种基于空间细节和注意力的高分辨率遥感图像分割方法。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.022 seconds)
