-
公开(公告)号：CN114119582B
公开(公告)日：2024-04-26
申请号：CN202111455414.X
申请日：2021-12-01
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06T7/00 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种合成孔径雷达图像目标检测方法，涉及目标检测技术领域，采用无锚框目标检测算法YOLOX作为基本框架，从轻量级的角度重构了特征提取骨干网络，将MobilenetV2中的深度可分离卷积替换成1个普通卷积和一个深度可分离卷积。特征图经过普通卷积通道数降为原来的一半，深度可分离卷积进一步提取普通卷积输入的特征，最后两者相拼接。此外通过设置注意增强CSEMPAN模块，采用整合通道和空间注意机制来突出SAR目标独特的强散射特性。并针对SAR目标的多尺度和强稀疏特性，设计不同扩张率的卷积增强接受域，使用ESPHead提高模型从不同尺度目标中提取重要信息的能力，进一步提高检测性能。
-
公开(公告)号：CN114140732A
公开(公告)日：2022-03-04
申请号：CN202111502053.X
申请日：2021-12-09
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/40 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/20
Abstract: 本发明提供了一种面向小样本条件下的消防火源检测方法、装置及存储介质，属于目标检测及工业部署领域，包括：收集工业现场的火源图像数据；构建火源检测模型；将火源图像数据输入火源检测模型中，通过火源检测模型对火源图像数据进行分析，获得检测结果；所述检测结果包括火源的具体位置、精度和类别。该方法缓解了小样本条件下，数据的样本量不够，训练困难的问题，使用不同的增强方法，大幅增加了样本的数量和质量，提升了模型的过拟合能力；通过本方法解决小目标检测难的问题，提升了小目标的检测精度，实现工业现场端到端实时检测。
-
公开(公告)号：CN114119582A
公开(公告)日：2022-03-01
申请号：CN202111455414.X
申请日：2021-12-01
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
Abstract: 本发明公开了一种合成孔径雷达图像目标检测方法，涉及目标检测技术领域，采用无锚框目标检测算法YOLOX作为基本框架，从轻量级的角度重构了特征提取骨干网络，将MobilenetV2中的深度可分离卷积替换成1个普通卷积和一个深度可分离卷积。特征图经过普通卷积通道数降为原来的一半，深度可分离卷积进一步提取普通卷积输入的特征，最后两者相拼接。此外通过设置注意增强CSEMPAN模块，采用整合通道和空间注意机制来突出SAR目标独特的强散射特性。并针对SAR目标的多尺度和强稀疏特性，设计不同扩张率的卷积增强接受域，使用ESPHead提高模型从不同尺度目标中提取重要信息的能力，进一步提高检测性能。
-
公开(公告)号：CN116416468B
公开(公告)日：2023-10-03
申请号：CN202310376226.0
申请日：2023-04-11
Applicant: 安徽中科星联信息技术有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于神经架构搜索的SAR目标检测方法，涉及目标检测技术领域，包括以下步骤：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；包括基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；基于Neck模块将提取的特征进行整合；基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。本发明提出了一种基于神经架构搜索的SAR目标检测模型，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
-
公开(公告)号：CN116416468A
公开(公告)日：2023-07-11
申请号：CN202310376226.0
申请日：2023-04-11
Applicant: 安徽中科星联信息技术有限公司
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于神经架构搜索的SAR目标检测方法，涉及目标检测技术领域，包括以下步骤：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；包括基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；基于Neck模块将提取的特征进行整合；基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。本发明提出了一种基于神经架构搜索的SAR目标检测模型，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
-
Patent Agency Ranking
公开(公告)号：CN114519679B
公开(公告)日：2022-10-21
申请号：CN202210158438.7
申请日：2022-02-21
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明提供一种SAR目标图像数据智能增强方法，包括：输入待增强的SAR图像数据，确定需要生成图像的角度，对SAR图像数据进行旋转填充；构建高分辨率GAN模型，包括生成器和鉴别器；所述生成器依次包括：第一卷积层、多个密集连接的残差模块、第二卷积层、上采样层和第三卷积层；所述鉴别器包括四个序列模块；将旋转填充后的SAR图像数据输入到高分辨率GAN模型，进行重构，获得增强后的高分辨率SAR图像数据。用此智能数据增强的方法，可以扩充Mstar等一些数据量较少的SAR目标数据集，提高分类的精度。也可以用于扩充SSDD等目标检测常用的数据集，提高检测的精度。
-
公开(公告)号：CN114202696B
公开(公告)日：2023-01-24
申请号：CN202111534166.8
申请日：2021-12-15
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
IPC: G06V20/10 , G06N3/0464 , G06N3/08 , G06V10/40
Abstract: 本发明提供了一种基于上下文视觉的SAR目标检测方法、装置和存储介质，属于目标检测领域，包括：获取SAR图像；将SAR图像输入目标检测模型中，目标检测模型对SAR图像中的目标物进行定位和识别，获得检测结果。本发明通过从上到下和从下到上的注意力增强双向多尺度连接操作，以指导动态注意力矩阵的学习，增强不同分辨率下的特征交互，促使模型能够更为精准的提取多尺度的目标特征信息，回归检测框和分类，抑制干扰背景信息，从而增强了视觉表示能力。在增加注意力增强模块的情况下，整个Neck几乎不增加参数量和计算量也能使检测性能得到极强的增益。
-
公开(公告)号：CN114519679A
公开(公告)日：2022-05-20
申请号：CN202210158438.7
申请日：2022-02-21
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明提供一种SAR目标图像数据智能增强方法，包括：输入待增强的SAR图像数据，确定需要生成图像的角度，对SAR图像数据进行旋转填充；构建高分辨率GAN模型，包括生成器和鉴别器；所述生成器依次包括：第一卷积层、多个密集连接的残差模块、第二卷积层、下采样层和第三卷积层；所述鉴别器包括四个序列模块；将旋转填充后的SAR图像数据输入到高分辨率GAN模型，进行重构，获得增强后的高分辨率SAR图像数据。用此智能数据增强的方法，可以扩充Mstar等一些数据量较少的SAR目标数据集，提高分类的精度。也可以用于扩充SSDD等目标检测常用的数据集，提高检测的精度。
-
公开(公告)号：CN114565860A
公开(公告)日：2022-05-31
申请号：CN202210198708.7
申请日：2022-03-01
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明公开了一种多维度增强学习合成孔径雷达图像目标检测方法，涉及目标检测技术领域，设计一种具有语义关系的复制粘贴进行数据增强的方法，对SAR目标样本进行语义扩充，提升样本量，降低模型过拟合，引入无锚框检测框架作为基准网络，降低模型的参数量和计算复杂度，提高推理速度；本发明提供的一种多维度增强学习合成孔径雷达图像目标检测方法，以无锚框目标检测框架CenterNet2作为基准，设计了一种特征增强轻量级骨干LWBackbone，降低模型的参数量同时有效提取SAR目标显著特征，并提出混合域注意力机制CNAM，有效抑制陆地复杂背景干扰，突出目标区域，利用感受野增强检测头模块RFEHead，设计不同空洞率卷积增强感受野，提升检测头的多尺度感知性能。
-
公开(公告)号：CN114565860B
公开(公告)日：2022-11-11
申请号：CN202210198708.7
申请日：2022-03-01
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明公开了一种多维度增强学习合成孔径雷达图像目标检测方法，涉及目标检测技术领域，设计一种具有语义关系的复制粘贴进行数据增强的方法，对SAR目标样本进行语义扩充，提升样本量，降低模型过拟合，引入无锚框检测框架作为基准网络，降低模型的参数量和计算复杂度，提高推理速度；本发明提供的一种多维度增强学习合成孔径雷达图像目标检测方法，以无锚框目标检测框架CenterNet2作为基准，设计了一种特征增强轻量级骨干LWBackbone，降低模型的参数量同时有效提取SAR目标显著特征，并提出混合域注意力机制CNAM，有效抑制陆地复杂背景干扰，突出目标区域，利用感受野增强检测头模块RFEHead，设计不同空洞率卷积增强感受野，提升检测头的多尺度感知性能。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.057 seconds)
