-
公开(公告)号：CN117392560B
公开(公告)日：2025-03-21
申请号：CN202311188934.8
申请日：2023-09-14
Applicant: 北京邮电大学
Abstract: 本发明提出一种面向无人机航拍图像的前景增强端到端小目标检测方法，包括，将无人机拍摄的图像输入轻量化的骨干网络ShuffleNetV2中，得到不同尺寸的特征图；在特征图后添加FPN特征金字塔结构，进行多尺度特征的融合，得到融合后的多尺度特征图；将多尺度特征图输入单阶段检测头中，得到粗糙检测结果，从粗糙检测结果中获得前景图；将前景图通过一层卷积得到前景增强的多尺度特征图；将前景增强的多尺度特征图再次输入单阶段检测头中，得到精细检测框；使用动态软权重的冗余检测框抑制算法，将精细检测框中相同目标的多余冗余框进行消除，得到最终的检测结果。本发明提出的方法，对局部目标密集和全局前景稀疏的无人机航拍场景，具备良好的检测效果。
-
公开(公告)号：CN118196575B
公开(公告)日：2024-12-31
申请号：CN202410294327.8
申请日：2024-03-14
Applicant: 北京邮电大学
IPC: G06V10/80 , G06V10/25 , G06V10/766 , G06V10/764 , G06V10/22 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请提出了一种基于多视角特征融合与元特征编码的小样本目标检测方法，包括：对待检测图像数据进行多视角嵌入融合，得到融合后的图像数据；使用特征提取网络对融合后的图像数据进行图像特征提取，并结合区域建议网络确定图像数据的候选区域，并将候选区域进行RoI池化，得到RoI特征；将RoI特征分别输入全连接网络和元特征编码器中，获取分类特征、回归特征及元特征，并将元特征和分类特征进行融合，得到最终分类特征；通过分类器和回归器根据回归特征与最终分类特征确定图像数据中目标的定位与分类。采用上述方案的本发明在进行小样本目标检测时能够保证新类泛化性，并实现对基类知识的有效保留，缓解灾难性知识遗忘问题。
-
公开(公告)号：CN118196575A
公开(公告)日：2024-06-14
申请号：CN202410294327.8
申请日：2024-03-14
Applicant: 北京邮电大学
IPC: G06V10/80 , G06V10/25 , G06V10/766 , G06V10/764 , G06V10/22 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请提出了一种基于多视角特征融合与元特征编码的小样本目标检测方法，包括：对待检测图像数据进行多视角嵌入融合，得到融合后的图像数据；使用特征提取网络对融合后的图像数据进行图像特征提取，并结合区域建议网络确定图像数据的候选区域，并将候选区域进行RoI池化，得到RoI特征；将RoI特征分别输入全连接网络和元特征编码器中，获取分类特征、回归特征及元特征，并将元特征和分类特征进行融合，得到最终分类特征；通过分类器和回归器根据回归特征与最终分类特征确定图像数据中目标的定位与分类。采用上述方案的本发明在进行小样本目标检测时能够保证新类泛化性，并实现对基类知识的有效保留，缓解灾难性知识遗忘问题。
-
公开(公告)号：CN117392560A
公开(公告)日：2024-01-12
申请号：CN202311188934.8
申请日：2023-09-14
Applicant: 北京邮电大学
Abstract: 本发明提出一种面向无人机航拍图像的前景增强端到端小目标检测方法，包括，将无人机拍摄的图像输入轻量化的骨干网络ShuffleNetV2中，得到不同尺寸的特征图；在特征图后添加FPN特征金字塔结构，进行多尺度特征的融合，得到融合后的多尺度特征图；将多尺度特征图输入单阶段检测头中，得到粗糙检测结果，从粗糙检测结果中获得前景图；将前景图通过一层卷积得到前景增强的多尺度特征图；将前景增强的多尺度特征图再次输入单阶段检测头中，得到精细检测框；使用动态软权重的冗余检测框抑制算法，将精细检测框中相同目标的多余冗余框进行消除，得到最终的检测结果。本发明提出的方法，对局部目标密集和全局前景稀疏的无人机航拍场景，具备良好的检测效果。
-
-
-
Search Results
4
records
(took 0.021 seconds)
