基于域内迁移学习的宽幅遥感影像舰船目标快速检测方法

    公开(公告)号:CN114627372B

    公开(公告)日:2025-01-28

    申请号:CN202210177141.5

    申请日:2022-02-24

    Abstract: 本发明提供了一种基于域内迁移学习的宽幅遥感影像舰船目标快速检测方法,属于卫星影像识别领域,首先,创建多谱段分类网络模型,预训练特征提取网络;其次,建立单阶段旋转目标检测模型,微调特征提取网络,对目标检测网络进行权重更新;再次,采用基于风格迁移算法的薄云去除网络对遥感图像进行薄云去除训练;然后,在预测阶段利用全球30米地表覆盖精细分类产品对遥感图像进行海陆分割;最后,结合海面及海岸线掩膜及区域失活方式对目标检测网络进行轻量化处理,提高检测速度。相较于以往的检测方法,本发明在特征提取器训练、薄云去除、模型轻量化等多个角度进行改进,实现更高精度,更快速度的宽幅遥感影像舰船目标检测。

    面向有无人协同场景的类人语言描述表达方法

    公开(公告)号:CN114417807B

    公开(公告)日:2023-09-22

    申请号:CN202210078643.2

    申请日:2022-01-24

    Abstract: 本发明公开了一种面向有无人协同场景的类人语言描述表达方法,通过模板总结、模板应用、表层生成、隐语式处理等实现一种可以在机器之间、人机之间互操作的语言。首先获取有无人协同场景下的语料或数据,根据语料采用数据挖掘和人工相结合的方法总结模板,语料覆盖不全面时,根据现有数据库对模板库进行补充;当有新消息要产生时,以关键数据中的核心谓词为中心进行模板选择;之后从关键数据中选择具体词汇,并进行指代、省略等操作,生成类人描述语言;最后通过构建的隐语字典对生成的类人描述语言进行隐语式处理得到加密的消息;本发明在于研究了一种机器使用的交互语言,可实现智能化有无人装备之间、无人装备与操作人员之间的安全信息互操作。

    一种虚实融合的无人集群协同验证系统

    公开(公告)号:CN113722912B

    公开(公告)日:2022-12-09

    申请号:CN202111012132.2

    申请日:2021-08-31

    Abstract: 本发明属于无人集群协同演示验证技术领域,为有效解决面向复杂任务的无人集群协同算法半实物演示验证问题,本发明提供了一种虚实融合的无人集群协同验证系统,该验证系统同时包含计算机端的半集中‑半分布式的数字仿真节点以及基于嵌入式板载系统的分布式半实物节点两种模态,且不同模态的无人集群节点间能实现数据交互、任务协同。整体系统架构中将核心算法逻辑分解为集中式算子和分布式算子两部分,进一步对二者的任务逻辑、部署方式进行划分。该系统既能为无人集群协同算法提供验证平台,又能为任务要素及场景设计提供同半实物验证途径。

    一种基于运动估计的无人机识别跟踪方法

    公开(公告)号:CN111311640B

    公开(公告)日:2022-11-01

    申请号:CN202010105673.9

    申请日:2020-02-21

    Abstract: 本发明一种基于运动估计的无人机识别跟踪方法属于动态目标识别跟踪领域,涉及一种通过单摄像机采集序列图像并实时处理的无人机探测与识别方法。该方法针对基于视频图像的低空无人机实时探测识别,在干扰因素较多且目标成像特征不明显情况下,克服了传统特征匹配或深度学习等识别方法难以凑效的弱点,采用图像序列帧差算法实现视场范围内移动目标的探测,并辅以图像分块计算提高计算效率,实现动态目标的快速探测;通过构建动态目标图像分块的时间序列,采用动态目标运动估计及序列长度判定实现对可疑无人机目标的初筛;最后采用SIFT目标匹配算法进行精确定位跟踪,实现无人机目标的精确识别跟踪。

    一种基于MODIS NDVI时序数据的耕地损失评估方法

    公开(公告)号:CN113538388B

    公开(公告)日:2022-10-11

    申请号:CN202110837952.9

    申请日:2021-07-23

    Abstract: 本发明公开了一种基于MODISNDVI时序数据的耕地损失评估方法,属于遥感图像处理技术领域。该方法首先利用现有地表覆盖产品提取出由耕地转变为建设用地的像素;然后利用月合成的MODISNDVI数据构建NDVI时序,并利用一种数学模型对NDVI数据进行分解,得到趋势性成分和季节性成分以及中间存在的断点,断点位置即代表了土地类型发生变化的时间。该方法能够获得地表由耕地转变为建设用地的时间,并以此评估对应地区每年的由耕地转化为建设用地的面积。

    一种基于CNN和RFC的集成学习的极化SAR图像分类方法

    公开(公告)号:CN111325158B

    公开(公告)日:2022-09-02

    申请号:CN202010114228.9

    申请日:2020-02-25

    Abstract: 本发明公开了一种基于CNN和RFC的集成学习的极化SAR图像分类方法,主要解决现有极化SAR图像分类方法分类精度不高的问题。实现步骤为:根据滤波后的极化SAR图像,提取T矩阵和Cloude分解特征为原始特征;随机选取1%有标记样本作为训练样本,记作TrainPixel,并用其对RFC模型进行训练;提取极化SAR图像中每个像素点的21×21的邻域块,并将其作为CNN的输入特征,记作F2;从F2中选取对应于TrainPixel的邻域块作为CNN的训练样本,训练CNN模型;基于CNN模型对整张图像的分类结果,使用信息熵得到极化SAR图像的边界区域,边界区域和非边界区域分别使用RFC和CNN进行分类。本发明使用CNN和RFC集成学习方法,综合利用两种方法的优势,在极化SAR图像的边界区域以及非边界区域都能得到好的分类结果。

    基于域内迁移学习的宽幅遥感影像舰船目标快速检测方法

    公开(公告)号:CN114627372A

    公开(公告)日:2022-06-14

    申请号:CN202210177141.5

    申请日:2022-02-24

    Abstract: 本发明提供了一种基于域内迁移学习的宽幅遥感影像舰船目标快速检测方法,属于卫星影像识别领域,首先,创建多谱段分类网络模型,预训练特征提取网络;其次,建立单阶段旋转目标检测模型,微调特征提取网络,对目标检测网络进行权重更新;再次,采用基于风格迁移算法的薄云去除网络对遥感图像进行薄云去除训练;然后,在预测阶段利用全球30米地表覆盖精细分类产品对遥感图像进行海陆分割;最后,结合海面及海岸线掩膜及区域失活方式对目标检测网络进行轻量化处理,提高检测速度。相较于以往的检测方法,本发明在特征提取器训练、薄云去除、模型轻量化等多个角度进行改进,实现更高精度,更快速度的宽幅遥感影像舰船目标检测。

Patent Agency Ranking