-
公开(公告)号：CN119991563A
公开(公告)日：2025-05-13
申请号：CN202411928281.7
申请日：2024-12-25
Applicant: 北京航天自动控制研究所
Abstract: 本发明涉及一种用于三维场景的数据质量评判方法，包括：完成保障数据加载；针对保障数据进行均值、方差、等效视数、辐射分辨率、灰度分辨率的特征提取，进行保障数据的质量评价；利用深度学习模型对保障数据与三维场景地图进行适配性分析，生成适配性区域热力图并加载显示在三维场景地图中；飞行器接收适配性区域热力图和三维场景地图实现仿真飞行功能，对末端飞行进行仿真出图，截取出飞行轨迹点对应的局部保障数据和局部三维场景地图数据；利用景象匹配定位算法对截取出的两种数据进行仿真匹配分析，得到匹配分析结果。解决了测绘保障中图像质量评价准则及处理方法缺失、保障数据精度对实际运用结果的影响不量化等问题。
-
公开(公告)号：CN114067195A
公开(公告)日：2022-02-18
申请号：CN202111221228.X
申请日：2021-10-20
Applicant: 北京航天自动控制研究所
Abstract: 本发明公开了一种基于生成对抗的目标检测器学习方法，属于人工智能技术领域，促使样本生成器生成更加真实的生成图像，使得生成图像提高网络的检测性能，还能够提高网络的训练效率。方法包括：构建循环生成对抗学习模型；所述循环生成对抗学习模型包括两组样本生成器；构建联合网络模型；所述联合网络模型在所述循环生成对抗学习模型中集成有目标检测器；所述目标检测器与所述两组样本生成器相连，并将两组真实图像，以及由所述两组样本生成器生成的两组生成图像作为输入，在梯度反向传播过程中将梯度值输出至所述两组样本生成器；对所述联合网络模型进行训练，并将由所述目标检测器输出的梯度值反向传播至对应的样本生成器中，直至所述联合网络模型收敛。
-
Patent Agency Ranking
公开(公告)号：CN114066979B
公开(公告)日：2025-03-14
申请号：CN202111186916.7
申请日：2021-10-12
Applicant: 北京航天自动控制研究所
IPC: G06T7/73 , G06T3/4046 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种目标样本标注生成方法，属于深度学习技术领域，解决多个需求不同图片大小的目标样本的神经网络中复用的问题。方法包括：根据预设重叠比例、预切割小图尺寸及预设外扩比例对大图进行切割；对切割得到的小图中的目标样本进行标注，得到标注点在各小图上的相对坐标；根据相对坐标对应小图相对于大图的切割位置、在各小图上的相对坐标、所述预设重叠比例、所述预切割小图尺寸及所述预设外扩比例，确定各标注点在所述大图上的绝对坐标，得到包含有标注点绝对坐标的大图。
-
公开(公告)号：CN114066979A
公开(公告)日：2022-02-18
申请号：CN202111186916.7
申请日：2021-10-12
Applicant: 北京航天自动控制研究所
Abstract: 本发明公开了一种目标样本标注生成方法，属于深度学习技术领域，解决多个需求不同图片大小的目标样本的神经网络中复用的问题。方法包括：根据预设重叠比例、预切割小图尺寸及预设外扩比例对大图进行切割；对切割得到的小图中的目标样本进行标注，得到标注点在各小图上的相对坐标；根据相对坐标对应小图相对于大图的切割位置、在各小图上的相对坐标、所述预设重叠比例、所述预切割小图尺寸及所述预设外扩比例，确定各标注点在所述大图上的绝对坐标，得到包含有标注点绝对坐标的大图。
-
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：CN117541886A
公开(公告)日：2024-02-09
申请号：CN202311270936.1
申请日：2023-09-28
Applicant: 北京航天自动控制研究所
Abstract: 本申请提供了一种适用于任意角度旋转标注的图像增广方法和装置，通过对原始目标框内的目标进行分割，得到目标连通域，并对目标连通域内所有像素点坐标进行旋转变化，最后计算旋转之后的像素点在X方向、Y方向的坐标最小值和最大值作为新目标框的左上顶点坐标和右下顶点坐标。对于样本数量很少、目标角度固定的图像数据集，使用本申请可以产生大量新的训练样本，实现图像场景中可能出现的不同角度目标的全覆盖，有效节约了收集和标注图像数据集带来的时间、人力、资金等成本。
-
公开(公告)号：CN114067195B
公开(公告)日：2024-08-13
申请号：CN202111221228.X
申请日：2021-10-20
Applicant: 北京航天自动控制研究所
IPC: G06V20/00 , G06V10/774 , G06V10/82 , G06N3/044 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗的目标检测器学习方法，属于人工智能技术领域，促使样本生成器生成更加真实的生成图像，使得生成图像提高网络的检测性能，还能够提高网络的训练效率。方法包括：构建循环生成对抗学习模型；所述循环生成对抗学习模型包括两组样本生成器；构建联合网络模型；所述联合网络模型在所述循环生成对抗学习模型中集成有目标检测器；所述目标检测器与所述两组样本生成器相连，并将两组真实图像，以及由所述两组样本生成器生成的两组生成图像作为输入，在梯度反向传播过程中将梯度值输出至所述两组样本生成器；对所述联合网络模型进行训练，并将由所述目标检测器输出的梯度值反向传播至对应的样本生成器中，直至所述联合网络模型收敛。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
