公开(公告)号：CN106897737B

公开(公告)日：2019-10-11

申请号：CN201710052482.9

申请日：2017-01-24

Applicant: 北京理工大学

Inventor： 邓宸伟 ,  周士超 ,  王文正 ,  代嘉慧 ,  唐林波

IPC: G06K9/62

Abstract: 本发明公开了一种基于高光谱遥感图像的地物分类方法，将原始的超限学习机网络扩展为层级化多通道融合网络，在网络训练方面，不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略，本发明采用贪婪式逐层训练的方式，对层级网络逐层训练，极大地缩短了网络的训练时间，在逐层训练的过程中，每层网络的训练求解模型均添加l1正则优化项，使得参数求解结果更稀疏，减少过拟合风险，在网络功能方面，单隐层ELM网络侧重解决简单数据的拟合、分类问题，而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合，同时也继承了前者训练速度快、泛化能力强的优点，非常有利于模型的在轨实现并适应应急响应任务的要求。

公开(公告)号：CN109785359A

公开(公告)日：2019-05-21

申请号：CN201811422620.9

申请日：2018-11-27

Applicant: 北京理工大学

Inventor： 赵保军 ,  赵博雅 ,  唐林波 ,  王文正 ,  邓宸伟

IPC: G06T7/246

Abstract: 本发明提供了一种基于深度特征金字塔和跟踪损失的视频目标检测方法，解决了视频目标检测稳定性与准确率的问题。本方法中在对目标检测的过程中采用多尺度特征图的方法，底层特征图维度高，细节信息丰富，高层特征纬度低，语义信息丰富，从而能够更好地利用视频图像的空间信息，使得检测能够适应多尺度、多类型的目标。本方法采用多尺度的候选窗生成方式，对小目标进行密集采样，对大目标进行离散采样，考虑到尺度不同的目标被检测时需求的精度不同，根据目标尺度做单独处理，小尺度目标精细采样，大尺度目标粗糙采样，增加检测速度。

公开(公告)号：CN109063537A

公开(公告)日：2018-12-21

申请号：CN201810571359.2

申请日：2018-06-06

Applicant: 北京理工大学

Inventor： 邓宸伟 ,  冯帆 ,  唐林波 ,  王文正 ,  赵保军

IPC: G06K9/00 ,  G06K9/62

CPC classification number: G06K9/0063 ,  G06K9/6223 ,  G06K9/6232 ,  G06K2009/00644

Abstract: 本发明公开了一种针对异常小目标解混的高光谱图像预处理方法。使用本发明能够解决服务于解混任务的高光谱图像预处理方法易忽略异常小目标的弊端。本发明充分针对目标空间尺度小的特征，利用滑窗判定空间维度上的疑似目标，并根据邻域像元位置设立相似性度量权重，区别对待窗口内不同邻域像元对待测像元空间特异性判定的影响；同时，利用目标光谱与背景光谱相比具有特异性的特征，利用PCA变换在特征维度进行疑似目标判定；最后结合K‑means方法和正交子空间投影(OSP)法，对高光谱数据进行筛选，有效减少待处理数据量并提升解混精度，在工程应用上具有很大的提升空间。本发明无需对后续的端元提取阶段进行任何修改，算法应用灵活。