公开(公告)号：CN116630801A

公开(公告)日：2023-08-22

申请号：CN202310568911.3

申请日：2023-05-19

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  林晨阳 ,  霍豫 ,  王慰 ,  曾黎 ,  程塨 ,  姚西文 ,  王芳 ,  刘玉翠 ,  岳伟超 ,  任航丽 ,  刘向龙 ,  吴青娥 ,  张秋闻

IPC: G06V20/10 ,  G06V20/70 ,  G06V10/764 ,  G06V10/25 ,  G06V10/26 ,  G06V10/774

Abstract: 本发明提出了一种基于伪实例软标签的遥感图像弱监督目标检测方法，其步骤为：构建弱监督深度检测网络，并添加实例分类优化；使用选择性搜索算法为训练图像生成一系列目标候选框，依次计算目标候选框类别得分和图像的类别预测得分，训练弱监督深度检测网络；计算每个目标候选框的双上下文投影得分；得到目标候选框质量得分，为每个实例分类优化分支挖掘伪真值实例；为所有伪真值实例分配软标签，对实例分类优化分支训练；利用训练后的弱监督深度检测网络和实例分类优化分支构建目标检测模型，利用目标检测模型获得感兴趣目标的类别和位置。本发明能够有效挖掘高质量目标候选框，能够有效提升高分辨率遥感图像弱监督目标检测的检测精度。

公开(公告)号：CN112651940B

公开(公告)日：2021-09-17

申请号：CN202011558989.X

申请日：2020-12-25

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  成曦 ,  岳伟超 ,  赵艺芳 ,  曾黎 ,  程塨 ,  姚西文 ,  吴青娥 ,  任航丽 ,  刘向龙 ,  王芳 ,  刘玉翠

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于双编码器生成式对抗网络的协同视觉显著性检测方法，其步骤为：构建双编码器生成式对抗网络模型并进行预训练；预训练的参数用于生成式对抗网络模型；将协同显著性数据以一组图像输入到分类网络模块，提取多尺度组级图像语义类别特征，多尺度语义融合模块融合多尺度组级图像语义类别特征为组间显著性特征；将成组输入的图像以单张依次输入到显著性编码器得到单幅显著性特征；将单幅显著性特征分别与组间显著性特征进行像素级相加得到协同显著性特征，将协同显著性特征输入到解码器解码得到检测图像；利用协同显著性数据集检测训练后的生成式对抗网络模型。本发明模型参数较小，训练和检测操作简单，检测精度较高，提高了效率。

公开(公告)号：CN117765380A

公开(公告)日：2024-03-26

申请号：CN202310423678.X

申请日：2023-04-18

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  赵家琨 ,  吴保坤 ,  曾黎 ,  王慰 ,  程塨 ,  姚西文 ,  张秋闻 ,  刘向龙 ,  岳伟超 ,  任航丽 ,  吴青娥 ,  王芳 ,  刘玉翠

IPC: G06V20/10 ,  G06V10/25 ,  G06V10/766 ,  G06V10/774 ,  G06V10/40 ,  G06V10/764

Abstract: 本发明提出了一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其步骤如下：以带标注的高分辨率遥感图像为训练图像，训练粗略有向候选框生成模块；粗略有向候选框生成模块的损失函数是二分类损失函数和边框回归损失函数的联合损失；将粗略有向候选生成模块生成的粗略有向候选框送入到精细有向候选生成模块进行训练；以精细有向候选框作为候选目标框训练区域检测模块；精细有向候选生成模块和区域检测模块采用焦点旋转交并比回归损失函数；将待检测的高分辨率遥感图像输入目标检测模型，获得感兴趣目标的位置和类别。本发明提出的旋转交并比损失和焦点旋转交并比损失可以提供更好的性能，能够使目标检测模型的定位更加准确。

公开(公告)号：CN114743027B

公开(公告)日：2023-01-31

申请号：CN202210375572.2

申请日：2022-04-11

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  曾银凤 ,  李哲辉 ,  王慰 ,  曾黎 ,  张秋闻 ,  吴青娥 ,  程塨 ,  姚西文 ,  岳伟超 ,  任航丽 ,  刘向龙 ,  马振宇

IPC: G06V10/46 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764 ,  G06V10/94 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种弱监督学习引导的协同显著性检测方法，用以解决现有协同显著性检测方法易受到不相关的显著目标的干扰的技术问题。本发明的步骤为：搭建GCAM网络的架构；搭建主干网络的架构，通过GCAM网络和主干网络构建GWSCoSal模型；利用训练数据对GCAM网络以图像组的公共类别标签作为真值进行弱监督训练；利用训练数据对主干网络进行像素级训练；GCAM网络的弱监督训练和主干网络的像素级训练联合执行，得到训练后的优化GWSCoSal模型。利用优化GWSCoSal模型对协同显著性数据集进行预测，生成预测的协同显著图。本发明在受到相似非公共显著目标干扰的情况下，能够更准确地检测出协同显著目标，操作简单，检测精度较高。