-
公开(公告)号：CN117095255A
公开(公告)日：2023-11-21
申请号：CN202310956335.X
申请日：2023-07-31
Applicant: 武汉大学
IPC: G06V10/774 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于采样偏移的无锚框遥感小目标检测优化方法与装置，涉及计算机视觉图像目标检测技术领域，该方法包括以下步骤：获取遥感图像，通过特征提取，得到遥感图像的特征图；将所述特征图，通过预测模块，获得分类预测结果、中心度预测结果、回归预测结果和采样偏移预测结果；计算分类预测结果的损失、中心度预测结果的损失、回归预测结果的损失和采样偏移预测结果的损失；将所述分类预测结果的损失、中心度预测结果的损失、回归预测结果的损失和采样偏移预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。本发明提供的方法能够有效提升基础目标检测网络的检测精度。
-
公开(公告)号：CN111428575B
公开(公告)日：2022-03-04
申请号：CN202010136456.6
申请日：2020-03-02
Applicant: 武汉大学
Abstract: 本发明提出了一种基于孪生网络的针对模糊目标的跟踪方法。本发明根据清晰图像集生成模糊图像集，并分别进行预处理；构建去模糊对抗生成网络，通过对抗损失、内容损失构建网络的损失函数，结合预处理后清晰图像集以及模糊图像集进行训练，得到训练后去模糊对抗生成网络；通过对多个标注好的图像序列进行预处理构建训练样本，构建跟踪孪生网络，定义损失函数并进行训练，得到训练后跟踪孪生网络；组合去模糊对抗生成网络和跟踪孪生网络，对图像序列进行跟踪，得到相似度分数矩阵，通过矩阵中最大值计算出目标的位置坐标。本发明提高了在模糊场景下的跟踪精度，并在实际的模糊场景中表现出良好的鲁棒性。
-
公开(公告)号：CN111428575A
公开(公告)日：2020-07-17
申请号：CN202010136456.6
申请日：2020-03-02
Applicant: 武汉大学
Abstract: 本发明提出了一种基于孪生网络的针对模糊目标的跟踪方法。本发明根据清晰图像集生成模糊图像集，并分别进行预处理；构建去模糊对抗生成网络，通过对抗损失、内容损失构建网络的损失函数，结合预处理后清晰图像集以及模糊图像集进行训练，得到训练后去模糊对抗生成网络；通过对多个标注好的图像序列进行预处理构建训练样本，构建跟踪孪生网络，定义损失函数并进行训练，得到训练后跟踪孪生网络；组合去模糊对抗生成网络和跟踪孪生网络，对图像序列进行跟踪，得到相似度分数矩阵，通过矩阵中最大值计算出目标的位置坐标。本发明提高了在模糊场景下的跟踪精度，并在实际的模糊场景中表现出良好的鲁棒性。
-
公开(公告)号：CN116958749A
公开(公告)日：2023-10-27
申请号：CN202310956240.8
申请日：2023-07-31
Applicant: 武汉大学
IPC: G06V10/774 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/084
Abstract: 本发明公开了一种基于自适应损失函数的弱小目标检测模型优化方法与装置，涉及计算机视觉图像目标检测技术领域，该方法包括以下步骤：获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图；将所述特征图，通过检测头网络，获得中心度预测结果、分类预测结果和回归预测结果；计算中心度预测结果的损失、分类预测结果的损失，通过角点损失维度与交并比损失维度计算回归预测结果的损失；将所述中心度预测结果的损失、分类预测结果的损失和回归预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。本发明提供的方法可以在后处理及样本标签分配中使用，能够有效提升基础目标检测网络的检测精度。
-
-
-
Search Results
4
records
(took 0.014 seconds)
