-
公开(公告)号：CN111414844B
公开(公告)日：2023-08-29
申请号：CN202010188543.6
申请日：2020-03-17
Applicant: 北京航天自动控制研究所
IPC: G06V20/62 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于卷积循环神经网络的集装箱箱号识别方法，所述方法包括如下步骤：步骤1：采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器；步骤2：计算图像透视变换矩阵；步骤3：利用步骤2得到的图像透视变换矩阵对待检测集装箱图像进行透视变换得到视变换后的图像；步骤4：使用步骤1的分类器对透视变换后的图像进行字符识别得到字符识别结果；步骤5：利用集装箱箱号规则对字符识别结果进行核对校验，输出最终的箱号检测结果。本发明对神经网络结构和参数进行优化，具有更高的识别率和可靠性；对图像进行透视变换，提高不同角度安装摄像头应用该方法的鲁棒性。
-
公开(公告)号：CN111652352B
公开(公告)日：2023-08-04
申请号：CN202010404179.2
申请日：2020-05-13
Applicant: 北京航天自动控制研究所
IPC: G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/096
Abstract: 一种针对迁移学习的神经网络模型输入通道整合方法，首先对网络模型描述文件中的数据输入层描述进行修改，删除原数据输入层描述，增加基于图像数据列表的数据输入层描述，并将待修改的第一个卷积层重命名；然后读取神经网络模型权重文件，并对其进行修改，使对应的神经网络模型仅需要单通道数据作为输入；最后进行单通道图像数据的实时目标检测识别测试。本发明通过对经三通道训练样本数据训练的网络模型权重文件进行分析整合，形成了单通道输入的网络模型权重文件，直接在嵌入式平台部署，无需经过通道复制操作，不需要占用多余的内存空间，减轻了神经网络的计算量，降低了对信息处理资源的压力，可直接在单通道数据上完成实时目标检测识别。
-
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
Applicant: 北京航天自动控制研究所
IPC: G06V10/82 , G06V10/80 , G06V10/762 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 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：CN111523645B
公开(公告)日：2023-04-18
申请号：CN202010300550.0
申请日：2020-04-16
Applicant: 北京航天自动控制研究所
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明一种提升小尺度目标检测识别性能的卷积神经网络设计方法，步骤如下：(1)选取原始网络的N个输出节点；(2)对每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层；(3)建立每一层特征漏斗层的输出，对每一层特征漏斗层末端设置两个输出，称为特征漏斗层的输出一和特征漏斗层的输出二；(4)级联全部特征漏斗层，构建特征漏斗网络；(5)进行多尺度预测，完成网络设计。
-
公开(公告)号：CN111652352A
公开(公告)日：2020-09-11
申请号：CN202010404179.2
申请日：2020-05-13
Applicant: 北京航天自动控制研究所
Abstract: 一种针对迁移学习的神经网络模型输入通道整合方法，首先对网络模型描述文件中的数据输入层描述进行修改，删除原数据输入层描述，增加基于图像数据列表的数据输入层描述，并将待修改的第一个卷积层重命名；然后读取神经网络模型权重文件，并对其进行修改，使对应的神经网络模型仅需要单通道数据作为输入；最后进行单通道图像数据的实时目标检测识别测试。本发明通过对经三通道训练样本数据训练的网络模型权重文件进行分析整合，形成了单通道输入的网络模型权重文件，直接在嵌入式平台部署，无需经过通道复制操作，不需要占用多余的内存空间，减轻了神经网络的计算量，降低了对信息处理资源的压力，可直接在单通道数据上完成实时目标检测识别。
-
Patent Agency Ranking
公开(公告)号：CN111368935A
公开(公告)日：2020-07-03
申请号：CN202010188535.1
申请日：2020-03-17
Applicant: 北京航天自动控制研究所
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：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：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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.035 seconds)
