-
公开(公告)号：CN115661657A
公开(公告)日：2023-01-31
申请号：CN202211378414.9
申请日：2022-11-04
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种轻量化的无人艇海面目标检测方法，通过使用Mosaic图像扩增，丰富了图像的背景信息并增加了小尺度目标的数量，提高了海面小目标的检测精度。通过使用轻量化的网络ShuffleNet v2作为YOLO v5网络结构中的特征提取网络，使用深度可分离卷积代替YOLO v5中的Bottleneck模块，显著降低了模型的参数量，大幅度提高了在嵌入式设备上的检测速度。相对于原本的YOLO v5网络，具有更快的处理速度，充分满足无人艇在检测海面目标时对于实时性的要求。本发明解决现有的目标检测算法无法在算力有限的嵌入式设备上完成实时目标检测的问题，用于在无人艇所搭载的嵌入式平台上完成实时目标检测。
-
公开(公告)号：CN115331093A
公开(公告)日：2022-11-11
申请号：CN202210889545.7
申请日：2022-07-27
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种水下航行器目标检测的神经网络优化学习方法，尤其是涉及一种神经网络元学习训练方法。针对水下航行器目标检测网络在小规模样本集上训练无法达到较好泛化性能的问题，本发明实现了只使用相关小规模样本集训练，首先划分小规模样本集为训练集、测试集、元训练集和元测试集；然后使用元训练集和元测试集让水下航行器目标检测网络进行本发明提出的元学习，使其学习元知识；最后再使用训练集让水下航行器目标检测网络进行学习。本发明能够有效减少学习所需的时间和能耗，同时提高神经网络的泛化性能。本发明具有广泛的适用性，可以很容易地扩展到各种任务的小规模样本集神经网络训练中。
-
公开(公告)号：CN116503647A
公开(公告)日：2023-07-28
申请号：CN202310398796.X
申请日：2023-04-14
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于CycleGAN的无人艇域自适应目标检测方法，通过使用CycleGAN生成对抗网络将源域图像转化为目标域风格，无需人工标注即可得到生成的目标域数据集，使用生成的数据集对原有的目标检测模型进行微调，即可得到适用于新的海面场景的目标检测模型，大幅减少了标注的时间和成本，使无人艇可以快速适应海面场景的动态变化，进而提高无人艇感知系统的可靠性。本发明在复杂海面场景下可以实现跨域自适应，适合部署在无人艇上完成海面目标检测任务。
-
公开(公告)号：CN115690568A
公开(公告)日：2023-02-03
申请号：CN202211380792.0
申请日：2022-11-04
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于增量学习的无人艇目标检测方法，首先构建初始类别数据集；构建教师网络模型，并使用初始类别数据集对教师网络模型进行训练，对初始类别海面目标的检测；构建新类别数据集；构建学生网络模型，学生网络与教师网络的整体结构相同，根据新类别目标数量增加相应的分类子网络；在教师网络和学生网络之间构建蒸馏损失函数；在新类别海面目标数据集上训练增量目标检测网络，是损失函数达到收敛，并保存训练好的模型参数；在无人艇平台上部署训练好的模型，对目标进行检测；增加新类别的检测目标时，重复执行步骤三至步骤七。本发明构建了一个可以连续学习的目标检测器，可以使无人艇快速具备识别新类别海面目标的能力。
-
-
-
Search Results
4
records
(took 0.027 seconds)
