-
公开(公告)号：CN111652288B
公开(公告)日：2023-08-01
申请号：CN202010393093.4
申请日：2020-05-11
申请人： 北京航天自动控制研究所
IPC分类号： G06V10/82 , G06V10/80 , G06V10/762 , G06N3/045 , G06N3/0464 , G06N3/084
摘要： 本发明涉及一种基于稠密特征金字塔的改进型SSD小目标检测方法。为丰富浅层的特征信息和深层的细节信息，本发明利用一种稠密的特征金字塔网络结构对VGG16提取的特征信息进行强化融合；为增强复杂背景下小目标的检测能力，改善特征层对不同尺寸小目标的适应能力，本发明结合不同深度特征层感受野的特点，提出在同一特征层上增加预测框的部署密度以及在同一特征层上通过增加不同尺度大小的预测框，即PriorBox的数量和尺寸进行了相应的调整。
-
公开(公告)号：CN111401210B
公开(公告)日：2023-08-04
申请号：CN202010167033.0
申请日：2020-03-11
申请人： 北京航天自动控制研究所
发明人： 郝梦茜 , 张辉 , 周斌 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 王浩 , 张伯川 , 王亚辉 , 张聪 , 刘燕欣 , 高琪 , 肖利平 , 倪少波 , 杨柏胜
IPC分类号： G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T7/62
摘要： 一种基于模板框增广的提高小目标检测稳定性的方法，步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值和目标尺寸参考最大值；步骤三：根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数，计算各层关注目标的归一化尺寸；步骤四：根据各层关注目标归一化尺寸以及各特征层尺寸，计算各特征层模板框期望间距；步骤五：根据各特征层模板框期望间距，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。本发明降低算法对小目标位置的敏感度，提高小目标检测的稳定性。
-
公开(公告)号：CN111539600B
公开(公告)日：2023-09-01
申请号：CN202010265424.6
申请日：2020-04-07
申请人： 北京航天自动控制研究所
发明人： 郝梦茜 , 张辉 , 周斌 , 肖利平 , 唐波 , 杨柏胜 , 倪少波 , 田爱国 , 邵俊伟 , 李建伟 , 张孝赫 , 张连杰 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 刘燕欣 , 高琪 , 王浩 , 张聪 , 张伯川 , 王亚辉
IPC分类号： G06Q10/0637 , G06N3/0464
摘要： 一种基于测试的神经网络目标检测稳定性评价方法，对测试图片进行位置、尺度、旋转、亮度、加噪与平滑变换，使用变换后的图片对神经网络进行测试，统计测试结果在不同变化情况下置信度的标准差以及定位准确度的标准差，并将各标准差进行综合得到神经网络目标检测稳定性综合评价结果。本发明提出的评价方法能够评估神经网络面对目标位置、尺度、旋转、亮度、噪声与平滑变化情况下保持对目标稳定检测的能力，可作为神经网络在面对变化或扰动情况下目标检测可靠性评价指标的一种，有利于从不同侧面评价神经网络的性能。
-
公开(公告)号：CN111523564B
公开(公告)日：2023-05-12
申请号：CN202010213403.X
申请日：2020-03-24
申请人： 北京航天自动控制研究所
IPC分类号： G06V10/774 , G06V10/20 , G06V20/13 , G06N20/00
摘要： 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：CN111401210A
公开(公告)日：2020-07-10
申请号：CN202010167033.0
申请日：2020-03-11
申请人： 北京航天自动控制研究所
发明人： 郝梦茜 , 张辉 , 周斌 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 王浩 , 张伯川 , 王亚辉 , 张聪 , 刘燕欣 , 高琪 , 肖利平 , 倪少波 , 杨柏胜
摘要： 一种基于模板框增广的提高小目标检测稳定性的方法，步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值和目标尺寸参考最大值；步骤三：根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数，计算各层关注目标的归一化尺寸；步骤四：根据各层关注目标归一化尺寸以及各特征层尺寸，计算各特征层模板框期望间距；步骤五：根据各特征层模板框期望间距，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。本发明降低算法对小目标位置的敏感度，提高小目标检测的稳定性。
-
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
申请人： 北京航天自动控制研究所
IPC分类号： G06T7/00 , G06T7/10 , G06F18/23 , G06N3/0464 , G06N3/082
摘要： 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。
-
公开(公告)号：CN111652288A
公开(公告)日：2020-09-11
申请号：CN202010393093.4
申请日：2020-05-11
申请人： 北京航天自动控制研究所
摘要： 本发明涉及一种基于稠密特征金字塔的改进型SSD小目标检测方法。为丰富浅层的特征信息和深层的细节信息，本发明利用一种稠密的特征金字塔网络结构对VGG16提取的特征信息进行强化融合；为增强复杂背景下小目标的检测能力，改善特征层对不同尺寸小目标的适应能力，本发明结合不同深度特征层感受野的特点，提出在同一特征层上增加预测框的部署密度以及在同一特征层上通过增加不同尺度大小的预测框，即PriorBox的数量和尺寸进行了相应的调整。
-
公开(公告)号：CN111539600A
公开(公告)日：2020-08-14
申请号：CN202010265424.6
申请日：2020-04-07
申请人： 北京航天自动控制研究所
发明人： 郝梦茜 , 张辉 , 周斌 , 肖利平 , 唐波 , 杨柏胜 , 倪少波 , 田爱国 , 邵俊伟 , 李建伟 , 张孝赫 , 张连杰 , 靳松直 , 丛龙剑 , 刘严羊硕 , 郑文娟 , 韦海萍 , 刘燕欣 , 高琪 , 王浩 , 张聪 , 张伯川 , 王亚辉
摘要： 一种基于测试的神经网络目标检测稳定性评价方法，对测试图片进行位置、尺度、旋转、亮度、加噪与平滑变换，使用变换后的图片对神经网络进行测试，统计测试结果在不同变化情况下置信度的标准差以及定位准确度的标准差，并将各标准差进行综合得到神经网络目标检测稳定性综合评价结果。本发明提出的评价方法能够评估神经网络面对目标位置、尺度、旋转、亮度、噪声与平滑变化情况下保持对目标稳定检测的能力，可作为神经网络在面对变化或扰动情况下目标检测可靠性评价指标的一种，有利于从不同侧面评价神经网络的性能。
-
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
申请人： 北京航天自动控制研究所
摘要： 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。
-
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
申请人： 北京航天自动控制研究所
摘要： 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。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.028 秒)
