公开(公告)号：CN119131196A

公开(公告)日：2024-12-13

申请号：CN202411168466.2

申请日：2024-08-23

Applicant: 西安电子科技大学

Inventor： 任仲乐 ,  孟建华 ,  张诚 ,  侯彪 ,  李卫斌 ,  焦李成

IPC: G06T11/60 ,  G06T11/20 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 一种基于遥感图文对比预训练特征的模态对齐与多尺度提取遥感图像描述生成方法、系统、设备及介质，方法包括：获取遥感字幕生成数据集NWPU‑Captions；对遥感字幕生成数据集NWPU‑Captions的训练集、验证集和测试集的文本和图像预处理，得到词表和文本特征以及图像特征；搭建基于Transformer模型的遥感字幕生成网络；使用训练集训练基于Transformer模型的遥感字幕生成网络，再将验证集输入每个轮次得到模型中验证，挑选效果最好的模型；将测试集中的图像特征输入效果最好的模型，得到图像对应的字幕；系统、设备及介质用于实现该方法；本发明使用对比预训练的图像编码器、多尺度融合提取模块、文本编码模块，能提取更具语义、更多尺度的特征，可以使生成的描述包含更高级、更详细的语义词汇。

公开(公告)号：CN117079071A

公开(公告)日：2023-11-17

申请号：CN202310977804.6

申请日：2023-08-04

Applicant: 西安电子科技大学

Inventor： 汪浩然 ,  任仲乐 ,  侯彪 ,  王凯 ,  宁家伟 ,  任博 ,  杨晨 ,  焦李成

IPC: G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06V10/46 ,  G06V10/52 ,  G06V10/26 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/09

Abstract: 一种基于Transformer多尺度特征融合的高分辨SAR影像的农田提取方法、系统、设备及介质，方法包括：数据采集、数据增强、网络训练、结果预测和性能评估；系统、设备及介质：用于实现一种基于Transformer多尺度特征融合的高分辨SAR影像的农田提取方法；本发明通过使用多尺度特征提取的方法，并加以适合SAR影像农田语义分割的数据增强策略，解决了训练样本少、标注质量低等问题，提升了模型在有监督下农田提取的性能以及其泛化性能。

公开(公告)号：CN116935187A

公开(公告)日：2023-10-24

申请号：CN202310977795.0

申请日：2023-08-04

Applicant: 西安电子科技大学

Inventor： 陈亚涵 ,  任仲乐 ,  侯彪 ,  王凯 ,  罗星宇 ,  任博 ,  杨晨 ,  焦李成

IPC: G06V10/82 ,  G06V20/10 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/0895

Abstract: 基于掩码增强和自注意力机制的无监督域自适应SAR影像的水体提取方法、系统、设备及介质，方法包括：从存在域差异的高分辨率大场景SAR影像中，选取一张为源域图像，另一张为目标域图像，对源域和目标域图像分别标签，将图像及对应标签均进行裁剪；构建深度自注意力网络；建立掩码增强模块，获取包含局部信息的目标域掩码增强图像；使用无监督域自适应方法和掩码增强模块对深度自注意力网络在线自训练；重复并达到最大训练次数，获得训练好的网络模型；将目标域图像及对应标签送入训练好的网络模型进行水体提取，得到预测结果图，计算分类指标；系统、设备及介质用于实现该方法；本发明能够进一步关注不容易被提取的水体精细特征，且提高了模型泛化能力。

公开(公告)号：CN115049841A

公开(公告)日：2022-09-13

申请号：CN202210664345.1

申请日：2022-06-14

Applicant: 西安电子科技大学

Inventor： 张雨 ,  任仲乐 ,  侯彪 ,  焦李成 ,  韩祥永 ,  张锐 ,  苏海波 ,  李永强

IPC: G06V10/40 ,  G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V10/20 ,  G06N3/04 ,  G06N3/08

Abstract: 基于深度无监督多步对抗域自适应的高分辨SAR图像地物要素提取方法，首先利用图像变换模型将源域图像转化为目标域图像相近的风格，从而减小源域和目标域的分布差异；再将风格转换过的源域图像和未标记的目标域图像送入对抗自适应网络，一方面训练深层网络学习源域和目标域的特征并进行语义分割，另一方面训练判别器区分其输入来自源域还是目标域，反馈引导深层网络对齐源域和目标域的分布特征；最后用训练好的模型预测目标域大场景的地物类型，完成单极化高分辨SAR影像像素级地物要素提取；本发明突破标记样本不足及源域数据与目标域数据分布不一致致使模型推广性差的瓶颈，提高目标域SAR图像地物分类的精度和性能。

公开(公告)号：CN107871119B

公开(公告)日：2021-07-06

申请号：CN201711059887.1

申请日：2017-11-01

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  任仲乐 ,  焦李成 ,  朱浩 ,  赵暐 ,  刘旭 ,  孙其功 ,  马文萍

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于目标空间知识和两阶段预测学习的目标检测方法，利用各种数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和新设计的RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，得到最终的检测结果。本发明与现有的一些方法相比，同时考虑了遥感目标的视觉特性和空间特性，并利用特征提取能力卓越的深层网络实现了端到端的目标候选、特征提取与分类定位，明显提高了遥感目标的检测率，降低了虚警率。

公开(公告)号：CN119360222A

公开(公告)日：2025-01-24

申请号：CN202411377659.9

申请日：2024-09-30

Applicant: 西安电子科技大学

Inventor： 任仲乐 ,  江润侬 ,  宁家伟 ,  刘士杰 ,  侯彪 ,  李卫斌 ,  焦李成

IPC: G06V20/13 ,  G06V10/26 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464

Abstract: 一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质，方法：构建遥感影像预训练数据集；并采用掩码重建策略对编码器‑解码器结构的预训练模型训练，得到遥感影像预训练权重；构建遥感影像微调数据集，划分训练、验证和测试集；对编码器‑语义分割头结构的模型分别在遥感影像预训练权重和自然图像预训练权重基础上，使用训练集和验证集微调，得到两个语义分割模型；使用两个语义分割模型分别对测试集进行测试，得到自然图像预训练模型和遥感影像预训练模型的预测结果；基于设定的规则，对两个预测结果融合决策，得到遥感影像地物分割结果；系统、设备及介质实现该方法；本发明具有分割精度高和鲁棒性强的优点。

公开(公告)号：CN118628902A

公开(公告)日：2024-09-10

申请号：CN202410390028.4

申请日：2024-04-02

Applicant: 西安电子科技大学

Inventor： 刘少博 ,  任仲乐 ,  杜哲 ,  侯彪 ,  李卫斌 ,  焦李成

IPC: G06V20/10 ,  G06V20/70 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06V10/40 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/08

Abstract: 一种面向复杂场景的单极化SAR影像的建筑物提取方法，包括：采集单极化SAR遥感影像，构建复杂场景下的单极化SAR影像建筑物数据集，并划分为训练集、验证集和测试集或者训练集和验证测试集；对复杂场景下的单极化SAR影像建筑物数据集进行预处理，得到可迭代的训练集、验证集和测试集或者训练集和验证测试集；构建编码器E‑解码器D网络模型；将可迭代的训练集和验证集或验证测试集输入编码器E‑解码器D网络模型中进行训练和验证，获得训练好的编码器E‑解码器D网络模型；将可迭代的测试集或验证测试集输入训练好的编码器E‑解码器D网络模型验证效果，获得预测概率值，评估网络性能；本发明提高了复杂场景下建筑物提取的准确性和鲁棒性。

公开(公告)号：CN118314399A

公开(公告)日：2024-07-09

申请号：CN202410470108.0

申请日：2024-04-18

Applicant: 西安电子科技大学

Inventor： 张诚 ,  任仲乐 ,  侯彪 ,  李卫斌 ,  焦李成

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06V20/10 ,  G06N3/045

Abstract: 基于跨模态空间动态融合网络的高分辨大场景SAR和光学影像土地覆盖分类方法、系统及介质，其方法为：采集同一地区的SAR影像和光学影像并组成训练数据集；构建跨模态空间动态融合网络模型；利用训练数据集训练跨模态空间动态融合网络模型；采集待预测的SAR影像和光学影像，利用训练好的跨模态空间动态融合网络模型进行分类，得到影像块的最终语义分割结果；合并图像块的分类结果，得到最终的土地覆盖分类结果；系统、设备及介质用于实现该方法；本发明在SAR和光学影像的多尺度特征基础上，利用跨模态注意力机制进行特征交互，实现模态间信息交流，通过空间动态融合模块进行SAR和光学特征互补信息的高效融合，提升了土地覆盖分类的性能。

公开(公告)号：CN115272242B

公开(公告)日：2024-02-27

申请号：CN202210909740.1

申请日：2022-07-29

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  李智德 ,  汤奇 ,  任仲乐 ,  任博 ,  杨晨 ,  焦李成

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明涉及一种基于YOLOv5的光学遥感图像目标检测方法，其特征在于，包括：步骤1：获取待检测光学遥感图像，待检测光学遥感图像中包含有待检测的目标；步骤2：将待检测光学遥感图像裁剪为若干待检测光学遥感子图像；步骤3：将待检测光学遥感子图像输入至预先训练完成的YOLOv5目标检测模型中，得到对应的子图像检测结果，检测结果包括目标检测框以及分类‑交并比；步骤4：将子图像检测结果合并得到待检测光学遥感图像的检测结果；其中，YOLOv5目标检测模型包括级联的骨干网络、颈部网络和检测头，颈部网络为CSP‑BiFPN网络。本发明的基于YOLOv5的光学遥感图像目标检测方法的检测精(56)对比文件吴萌萌 等.基于自适应特征增强的小目标检测网络.激光与光电子学进展.2022,1-14.周旗开 等.基于改进YOLOv5s的光学遥感图像舰船分类检测方法.激光与光电子学进展.2022,摘要，第1-5节.Xiaoqi Wang 等.Improved YOLOv5 withBiFPN on PCB Defect Detection.2021 2ndInternational Conference on ArtificialIntelligence and Computer Engineering(ICAICE).2022,摘要，第I-IV节.王新 等.基于改进 YOLOV5算法的交警手势识别.电子测量技术.2022,摘要，第0-4节.

公开(公告)号：CN116469002A

公开(公告)日：2023-07-21

申请号：CN202310273227.2

申请日：2023-03-20

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  梁爽 ,  任博 ,  任仲乐 ,  杨晨

IPC: G06V20/10 ,  G06V10/52 ,  G06V10/40 ,  G06V10/80 ,  G06V10/764 ,  G06V10/766 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/08 ,  G01S13/90

Abstract: 本发明公开了一种基于多级特征融合及混合注意力的SAR图像舰船目标检测方法，包括：构建用于SAR图像舰船目标检测的YOLO‑SP网络模型，所述YOLO‑SP网络模型包括依次连接的主干特征提取网络、多级特征融合网络和检测头；利用训练数据集对所构建的YOLO‑SP网络模型进行训练，计算损失函数，并反向更新模型参数，获得训练后的YOLO‑SP网络模型；对待检测的SAR图像进行数据标准化预处理，获得预处理后的像素矩阵；将预处理后的像素矩阵输入训练后的YOLO‑SP网络模型，对待检测的SAR图像进行舰船目标检测，获得目标的类别信息、位置信息和置信度。本发明通过多级特征提取策略与混合注意力机制，加强了目标特征信息的提取，提高对舰船目标的检测精度。