-
公开(公告)号：CN112699967B
公开(公告)日：2024-03-12
申请号：CN202110061833.9
申请日：2021-01-18
Applicant: 武汉大学
IPC: G06V10/774 , G06V10/762 , G06T3/4053 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于改进深度神经网络的远距离机场目标检测方法。本发明构建机场跑道图像训练集，采用外接矩形边框标注该训练集中每幅图像的机场跑道区域，并标记其跑道状态，构建深度学习模型图像训练集；将机场跑道图像训练集中的跑道区域进行超分辨重建，得到扩充后深度学习模型图像训练集；根据darknet‑53网络构建深度神经网络模型，采用k‑means算法改进先验框，得到适合扩充后深度学习模型图像训练集的先验框，结合先验框构建深度神经网络模型的损失函数模型,将扩充后深度学习模型图像训练集作为训练集输入，通过优化训练得到优化后的深度神经网络模型。本发明能够准确实现机场目标的检测，具有较好的实时性和准确性，方便重新训练适应新的跑道场景。
-
公开(公告)号：CN111091043B
公开(公告)日：2022-07-19
申请号：CN201911011470.7
申请日：2019-10-23
Applicant: 武汉大学
Abstract: 本发明提供一种基于多尺度残余图正则化的SAR全图变形场估计方法，首先，利用SIFT算法提取的大量局部特征点作为候选控制点，设计基于相位相关和梯度求精的控制点生成策略，以生成稠密且分布相对均匀的控制点对；其次，在变形场估计阶段，设计基于多尺度残余图正则化一致性点漂移的畸变模型，以实现全图像的点对点亚像素配准。本发明在一致性点漂移算法的基础上引入残余图正则化项，解决了一致性点漂移算法中容易陷入局部极小值的缺点，并且能够快速收敛至全局最优解。
-
公开(公告)号：CN108876829B
公开(公告)日：2021-12-17
申请号：CN201810531894.5
申请日：2018-05-29
Applicant: 武汉大学
IPC: G06T7/33
Abstract: 本发明公开了基于非线性尺度空间及径向基函数的SAR高精度配准方法，用于多波段SAR图像的配准，至少包括：S100：对参考图像和待配准图像分别进行基于稀疏表征的滤波；S200：对滤波后的参考图像和待配准图像进行基于非线性模型的全局配准，获得特征匹配点对；S300：对特征匹配点对进行抽取与匹配一致性检测，并采用随机抽样一致法剔除错误匹配点，获得全局配准的变换矩阵；S400：对全局配准后的图像进行基于径向基函数的局部畸变建模，并估计局部畸变模型参数，基于变换矩阵和局部畸变模型进行局部配准。本发明结合了基于非线性尺度空间及径向基函数，可提高SAR图像配准的鲁棒性和高精度。
-
公开(公告)号：CN119942193A
公开(公告)日：2025-05-06
申请号：CN202510009886.4
申请日：2025-01-03
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/13
Abstract: 本发明公开一种基于跨模态注意力的光学和SAR遥感影像协同地物分类方法，该方法能够动态建模光学影像与SAR影像之间的特征关联，自适应调整模态特征权重，突出关键模态在地物特征表达中的作用，削弱非关键信息的影响；以及通过上下文注意力机制，捕捉光学和SAR影像的全局与局部特征关联，有效提升地物分类的精度与鲁棒性。本发明提出的跨模态注意力方法通过联合损失函数优化模型，使其在特征层与决策层均能高效利用多模态数据，提供更高精度的地物分类结果。该方法不仅提升了遥感影像的解译能力，还为城市规划、环境保护、灾害监测等领域提供了精确的数据支持，在实际应用中具有重要的价值和广阔的应用前景。
-
公开(公告)号：CN119649175A
公开(公告)日：2025-03-18
申请号：CN202411682118.7
申请日：2024-11-22
Applicant: 武汉大学
IPC: G06V10/80 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于红外和可见光图像融合的目标检测方法及系统，涉及目标检测技术领域，包括：获取待检测的可见光和红外图像；将获取的待检测的可见光和红外图像输入训练后的YOLOv8双流网络模型，输出目标检测结果；其中，所述YOLOv8双流网络模型的训练包括：获取指定区域的不同时段可见光和红外图像的数据，构建目标联合数据集；搭建YOLOv8双流网络模型；利用构建的目标联合数据集对搭建的YOLOv8双流网络模型进行训练，得到训练好的YOLOv8双流网络模型。本发明提出的方法通过搭建YOLOv8双流网络模型，使用融合模块对可见光和红外图像进行特征融合和目标检测，解决了CNN难以捕捉到不同模态之间的长距离依赖和全局关系的问题，提高了目标检测的准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111461244A
公开(公告)日：2020-07-28
申请号：CN202010272657.9
申请日：2020-04-09
Applicant: 武汉大学
Abstract: 本发明提供了一种基于Simpleshot的One-Shot学习新方法，通过使用目前在图像分类领域具有最优性能的特征提取网络Efficient Nets作为特征提取网络，在基类上进行训练，网络训练后得到特征空间，然后输入新类的小样本，并在该特征空间中，对图像进行特征变换，即使用正则化技术缓解过拟合问题，再最后进行最近邻分类。
-
公开(公告)号：CN119270919A
公开(公告)日：2025-01-07
申请号：CN202411325514.4
申请日：2024-09-23
Applicant: 武汉大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种基于智能体强化学习的无人机群动态协同控制方法及系统，通过将无人机所需开展的协同任务分解为多个子任务，并将子任务建模为马尔可夫决策过程，利用多评论家结构深度确定性策略梯度MCDDPG算法对无人机群进行动态协同控制，完成无人机群的协同任务。针对多智能体系统的动作策略网络在初期随机动作的问题，提出多评论家架构的MCDDPG算法，用来共同优化并求解最优动作策略网络。对多个评论家模块在训练过程中的权重分配优化问题，采用动态难度优先级算法，实现对各个模块权重值的动态分配。本发明提出的方法提升了无人机群完成耦合任务的能力，增强了无人机针对动态变化环境的协同能力，提升了多无人机系统的收敛性和鲁棒性。
-
公开(公告)号：CN111461146B
公开(公告)日：2023-04-07
申请号：CN202010244942.X
申请日：2020-03-31
Applicant: 武汉大学
Abstract: 本发明提供一种基于稀疏交叉重构的变化检测方法，首先，将图像通过滑块分割成局部图像，得到相应的数据集；然后通过K‑SVD字典学习方法将得到的数据集训练得到字典和稀疏矩阵；最后通过重构途径的方法，通过比较局部区域的重构误差和一个设定的阈值来判断该区域是属于变化区域还是属于非变化区域。本发明将稀疏表示的方法运用到变化检测中，对图像信号进行稀疏表示，得到了高性能的变化检测效果图。
-
公开(公告)号：CN112699967A
公开(公告)日：2021-04-23
申请号：CN202110061833.9
申请日：2021-01-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于改进深度神经网络的远距离机场目标检测方法。本发明构建机场跑道图像训练集，采用外接矩形边框标注该训练集中每幅图像的机场跑道区域，并标记其跑道状态，构建深度学习模型图像训练集；将机场跑道图像训练集中的跑道区域进行超分辨重建，得到扩充后深度学习模型图像训练集；根据darknet‑53网络构建深度神经网络模型，采用k‑means算法改进先验框，得到适合扩充后深度学习模型图像训练集的先验框，结合先验框构建深度神经网络模型的损失函数模型,将扩充后深度学习模型图像训练集作为训练集输入，通过优化训练得到优化后的深度神经网络模型。本发明能够准确实现机场目标的检测，具有较好的实时性和准确性，方便重新训练适应新的跑道场景。
-
公开(公告)号：CN119559495A
公开(公告)日：2025-03-04
申请号：CN202411496472.0
申请日：2024-10-25
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/30 , G06V10/36 , G06V10/44 , G06V10/80 , G06V10/82 , G06T5/20 , G06T5/70 , G06T7/246 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于交互注意力和中值滤波的SAR图像变化检测方法、系统、装置及存储介质，属于SAR图像处理技术领域。方法包括获取目标数据集，其包括第一时相和第二时相；将第一时相和第二时相输入预先训练好的SAR变化检测网络模型，得到最终变化检测图；其中，SAR变化检测网络模型包括滤波残差卷积模块、空间交互注意力模块、解码模块及连通域判决模块。本发明通过滤波残差卷积模块能够减轻椒盐噪声的干扰，提升SAR图像的质量；通过空间交互注意力模块使得第一时相和第二时相进行全局空间信息交互，精准聚焦于真实变化区域；通过连通域判决模块进一步保证了检测结果的精度和连贯性。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.063 seconds)
