公开(公告)号：CN117611791B

公开(公告)日：2024-08-20

申请号：CN202311365198.9

申请日：2023-10-20

Applicant: 哈尔滨工业大学 ,  哈尔滨视爵科技有限公司

Inventor： 杨旭 ,  江世凯 ,  俞利健 ,  智喜洋 ,  巩晋南 ,  马思克

IPC: G06V10/25 ,  G06V10/26 ,  G06V10/44 ,  G06V10/774 ,  G06N3/0464

Abstract: 本发明公开了一种基于特征分离可变形卷积的飞行目标检测方法，所述方法包括如下步骤：一：建立训练数据集和测试数据集；二：使用可变形卷积进行不规则采样，以减少规则采样过程中的背景干扰；三：使用超高斯函数用于语义分割标签生成；四：设计适合软标签的焦点损失来计算特征分离监督的损失；五：对改进后的检测模型YOLO‑FRS进行训练和测试，完成遥感图像飞行状态飞机目标检测。本发明面向飞行目标检测需求，提出了一种特征响应分离可变形卷积模块来改进YOLOv5模型，该模型鼓励检测模型向目标区域聚集采样点，提取更多与目标相关的信息，并减少来自目标周围背景的干扰，从而实现检测性能的提升。

公开(公告)号：CN117611791A

公开(公告)日：2024-02-27

申请号：CN202311365198.9

申请日：2023-10-20

Applicant: 哈尔滨工业大学 ,  哈尔滨视爵科技有限公司

Inventor： 杨旭 ,  江世凯 ,  俞利健 ,  智喜洋 ,  巩晋南 ,  马思克

IPC: G06V10/25 ,  G06V10/26 ,  G06V10/44 ,  G06V10/774 ,  G06N3/0464

Abstract: 本发明公开了一种基于特征分离可变形卷积的飞行目标检测方法，所述方法包括如下步骤：一：建立训练数据集和测试数据集；二：使用可变形卷积进行不规则采样，以减少规则采样过程中的背景干扰；三：使用超高斯函数用于语义分割标签生成；四：设计适合软标签的焦点损失来计算特征分离监督的损失；五：对改进后的检测模型YOLO‑FRS进行训练和测试，完成遥感图像飞行状态飞机目标检测。本发明面向飞行目标检测需求，提出了一种特征响应分离可变形卷积模块来改进YOLOv5模型，该模型鼓励检测模型向目标区域聚集采样点，提取更多与目标相关的信息，并减少来自目标周围背景的干扰，从而实现检测性能的提升。

公开(公告)号：CN118155085A

公开(公告)日：2024-06-07

申请号：CN202410135271.1

申请日：2024-01-31

Applicant: 哈尔滨工业大学

Inventor： 智喜洋 ,  鲍广震 ,  隋毅 ,  施天俊 ,  俞利健 ,  张鹏飞 ,  胡建明 ,  江世凯 ,  巩晋南

IPC: G06V20/13 ,  G06V10/762 ,  G06V10/44 ,  G06V10/74 ,  G06T7/246 ,  G06F17/12 ,  G06F17/16

Abstract: 本发明提供了一种密集空中目标跟踪方法、系统、装置及介质，属于目标探测与识别技术领域，包括：利用多个不同卫星平台获取密集空中目标的多个探测图像；利用聚类算法将探测图像中属于目标的像素点聚类，将不同的目标的像素点标注不同的数值；得到最终的聚类结果图像；使用Zernike矩算子对最终的聚类结果图像进行亚像素边缘提取，得到各个目标的边缘包络线；并提取边缘包络线内的目标中心的位置；通过目标中心的位置和用于观测目标的各卫星与目标的相对位置信息，对不同卫星平台视场内的相同目标进行匹配；利用目标中心的位置得到目标的视线向量数据；根据不同卫星观测到的同一个目标的视线向量数据，计算该目标的位置和速度数据，实现多目标情况下每一个目标的跟踪。该方法能够识别密集空中目标。

公开(公告)号：CN109255286B

公开(公告)日：2021-08-24

申请号：CN201810807503.8

申请日：2018-07-21

Applicant: 哈尔滨工业大学

Inventor： 智喜洋 ,  俞利健 ,  胡建明 ,  巩晋南 ,  江世凯 ,  陈文彬

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习网络框架的无人机光学快速检测识别方法，所述方法步骤如下：步骤一：针对目前市场主流的五种无人机开展飞行试验采集光学成像实验数据，并按照标准VOC数据格式对采集的光学成像实验数据进行处理；步骤二：搭建YOLO网络框架，利用残差网络模块对YOLO网络框架进行改进，对改进后的YOLO网络框架进行训练，得到检测识别模型；步骤三：选取包含五种无人机的实拍飞行光学成像实验数据，利用步骤二所得的检测识别模型进行检测识别。本发明避免了对无人机和复杂背景特征人工建模复杂、适用性不强等问题，能够大大提高复杂背景下动目标检测识别的速度和准确率。

公开(公告)号：CN109255286A

公开(公告)日：2019-01-22

申请号：CN201810807503.8

申请日：2018-07-21

Applicant: 哈尔滨工业大学

Inventor： 智喜洋 ,  俞利健 ,  巩晋南 ,  江世凯 ,  陈文彬 ,  胡建明

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于YOLO深度学习网络框架的无人机光学快速检测识别方法，所述方法步骤如下：步骤一：针对目前市场主流的五种无人机开展飞行试验采集光学成像实验数据，并按照标准VOC数据格式对采集的光学成像实验数据进行处理；步骤二：搭建YOLO网络框架，利用残差网络模块对YOLO网络框架进行改进，对改进后的YOLO网络框架进行训练，得到检测识别模型；步骤三：选取包含五种无人机的实拍飞行光学成像实验数据，利用步骤二所得的检测识别模型进行检测识别。本发明避免了对无人机和复杂背景特征人工建模复杂、适用性不强等问题，能够大大提高复杂背景下动目标检测识别的速度和准确率。