-
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。
-
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
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
IPC: G06T7/00 , G06T7/10 , G06F18/23 , G06N3/0464 , G06N3/082
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：CN111539600A
公开(公告)日：2020-08-14
申请号：CN202010265424.6
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 , 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
Abstract: 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：CN111523392A
公开(公告)日：2020-08-11
申请号：CN202010224330.4
申请日：2020-03-26
Applicant: 北京航天自动控制研究所
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：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。
-
Patent Agency Ranking
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：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。
-
公开(公告)号：CN105223229A
公开(公告)日：2016-01-06
申请号：CN201510633233.X
申请日：2015-09-29
Applicant: 北京航天自动控制研究所 , 中国运载火箭技术研究院
IPC: G01N25/20
Abstract: 一种红外透波窗口辐射传输特性测量平台，包括：支撑平台，提供各个组件的安装基础；保温装置，安装在支撑平台上的箱体，隔离红外透波窗口与外界环境，在箱体两端开设小孔；红外测量仪，测量面源黑体红外辐射及其穿过红外透波窗口的红外辐射；面源黑体，位于与红外测量仪相对的另一侧，通过保温装置箱体上的小孔向红外透波窗口和红外测量仪发射红外辐射；数据记录仪用于记录实验参数和测量结果；平台状态控制器用于控制红外透波窗口的温度和黑体温度、从数据记录仪获取数据以及计算红外透波窗口辐射传输特性。本发明直接测量高温状态下的红外透波窗口的透过率和自身热辐射，弥补了常规测量仅能给出低温或常温状态下红外透波窗口透过率的不足。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.02 seconds)
