-
公开(公告)号：CN116129292A
公开(公告)日：2023-05-16
申请号：CN202310081193.7
申请日：2023-01-13
Applicant: 华中科技大学
IPC: G06V20/17 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于少样本增广的红外车辆目标检测方法及系统。该方法包括：采用场景及目标三维模型进行多视角仿真，得到多视角红外车辆图像；将多视角红外车辆图像与实际的红外车辆图像结合，构建基于迁移学习的红外生成对抗网络模型，生成红外车辆目标样本图像的初始增广数据集；采用场景合成的方法，引入复杂场景特征，生成具有多样化背景的红外车辆目标样本图像的目标增广数据集；以目标增广数据集作为训练样本对目标检测模型进行迭代训练；获取实拍红外图像输入训练好的目标检测模型进行检测，得到目标检测位置和置信度信息。实现了对红外车辆图像的高精度目标检测，适用性较好。
-
公开(公告)号：CN110245678A
公开(公告)日：2019-09-17
申请号：CN201910376172.1
申请日：2019-05-07
Applicant: 华中科技大学
Abstract: 本发明公开了一种异构孪生区域选取网络及基于该网络的图像匹配方法，属于计算机视觉领域。包括依次串联的异构孪生网络和区域匹配网络；异构孪生网络用于提取模板图的特征图和待匹配图的特征图；区域匹配网络用于根据模板图的特征图和待匹配图的特征图，得到区域匹配结果；异构孪生网络包括相互并联的子网络A和子网络B，每个子网络为依次串联的特征提取模块、特征融合模块和最大值池化模块，两个子网络各模块均相同，仅特征提取模块的首层卷积的卷积核不同。本发明将异构孪生区域选取网络应用于图像匹配，实现非固定尺度模板与待匹配图的输入，充分利用图像多层特征，有效提升了匹配方法的性能，增加了匹配的成功率与速度。
-
公开(公告)号：CN115861595B
公开(公告)日：2024-05-24
申请号：CN202211448179.8
申请日：2022-11-18
Applicant: 华中科技大学
IPC: G06V10/25 , G06V10/75 , G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本发明公开了一种基于深度学习的多尺度域自适应异源图像匹配方法，属于图像匹配技术领域，包括：利用多尺度域自适应的特征提取网络提取异源图像中更加高级的特征，这些特征为异源图像的共有特征，利用共有特征能够更好的对不同源的图像进行精确匹配。其中，引用的金字塔分割注意力模块，能够很好的提取出不同尺度的图像特征，使得训练得到得网络模型能更好地适用尺度的变化。引入了条件域归一化的特征映射，使得训练的模型能够很好的适应不同源图像的数据分布。本发明利用PSA模块获得图像更多尺度的特征，用条件域归一化的特征映射来减小异源图像的特征差异，从而提高了异源图像匹配的精度，由此解决异源图像匹配的精度低的技术问题。
-
公开(公告)号：CN116524367A
公开(公告)日：2023-08-01
申请号：CN202310385765.0
申请日：2023-04-12
Applicant: 华中科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种物理可实现约束的车辆目标反识别方法、系统及存储介质，属于深度学习方法的对抗攻击领域，方法包括：训练阶段：获取物理世界对抗目标车辆的遥感图像；确定对抗块在所述遥感图像中的生成位置及大小；根据对抗块生成位置及大小生成相应的随机初始对抗块，得到对抗样本图像；将所述对抗样本图像输入车辆检测网络，训练对抗块颜色组成，直至损失收敛或者达到设定的训练次数，输出训练好的对抗块；预测阶段：利用训练好的对抗块进行物理可实现约束的车辆目标反识别。本发明的方法具有物理可实现性及较高的适用性，可应用于特种车辆针对深度神经网络车辆检测器的外观防护处理，增强特种车辆在面对深度神经网络车辆检测器时的隐蔽性。
-
公开(公告)号：CN110245678B
公开(公告)日：2021-10-08
申请号：CN201910376172.1
申请日：2019-05-07
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于异构孪生区域选取网络的图像匹配方法，属于计算机视觉领域。包括依次串联的异构孪生网络和区域匹配网络；异构孪生网络用于提取模板图的特征图和待匹配图的特征图；区域匹配网络用于根据模板图的特征图和待匹配图的特征图，得到区域匹配结果；异构孪生网络包括相互并联的子网络A和子网络B，每个子网络为依次串联的特征提取模块、特征融合模块和最大值池化模块，两个子网络各模块均相同，仅特征提取模块的首层卷积的卷积核不同。本发明将异构孪生区域选取网络应用于图像匹配，实现非固定尺度模板与待匹配图的输入，充分利用图像多层特征，有效提升了匹配方法的性能，增加了匹配的成功率与速度。
-
Patent Agency Ranking
公开(公告)号：CN118968299A
公开(公告)日：2024-11-15
申请号：CN202411024755.5
申请日：2024-07-29
Applicant: 华中科技大学 , 上海航天控制技术研究所
IPC: G06V20/10 , G06V10/25 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于遥感图像检测与分割领域，具体涉及一种基于卷积神经网络与自注意力机制的遥感图像轻量化编码方法，包括：采用DS对输入图像处理得到第一特征图像；采用轻量化卷积模块对当前第一特征图像提取特征得到第二特征图像；将当前第二特征图像作为输入图像重复执行上述操作，直至所得第二特征图像对应的特征嵌入符合第一自注意力模块的输入尺寸；将第一自注意力模块处理后的特征嵌入恢复为第三特征图像，将其和当前第二特征图像相加后的图像作为输入图像重复执行上述操作，直至所得第二特征图像对应的特征嵌入符合第二自注意力模块的输入尺寸；将第二自注意力模块处理后的特征嵌入恢复为图像，完成编码。本发明能在保证性能的同时实现轻量化。
-
公开(公告)号：CN118196383A
公开(公告)日：2024-06-14
申请号：CN202410350817.5
申请日：2024-03-26
Applicant: 华中科技大学
IPC: G06V10/25 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于多尺度显著特征融合的SAR图像车辆目标检测方法，属于目标检测领域，建立目标检测网络并利用标注了车辆位置和类别信息的SAR图像对其进行训练，所建立的模型包括：特征提取网络分支，用于提取输入的SAR图像的多尺度特征；显著性分支，用于提取输入的SAR图像的显著性特征；显著特征融合模块，用于将显著性特征与多尺度特征进行融合，得到多个尺度的增强特征；特征融合模块，用于将多个尺度的增强特征融合，得到目标特征；以及回归分类头，用于对目标特征进行回归和分类，得到车辆目标检测结果。本发明能够有效抑制SAR图像中的噪声和杂波，从而增强场景适应性，提高SAR图像车辆目标检测的精度，减少虚警和漏检。
-
公开(公告)号：CN116129292B
公开(公告)日：2024-07-26
申请号：CN202310081193.7
申请日：2023-01-13
Applicant: 华中科技大学
IPC: G06V20/17 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于少样本增广的红外车辆目标检测方法及系统。该方法包括：采用场景及目标三维模型进行多视角仿真，得到多视角红外车辆图像；将多视角红外车辆图像与实际的红外车辆图像结合，构建基于迁移学习的红外生成对抗网络模型，生成红外车辆目标样本图像的初始增广数据集；采用场景合成的方法，引入复杂场景特征，生成具有多样化背景的红外车辆目标样本图像的目标增广数据集；以目标增广数据集作为训练样本对目标检测模型进行迭代训练；获取实拍红外图像输入训练好的目标检测模型进行检测，得到目标检测位置和置信度信息。实现了对红外车辆图像的高精度目标检测，适用性较好。
-
公开(公告)号：CN118351398A
公开(公告)日：2024-07-16
申请号：CN202410616548.2
申请日：2024-05-17
Applicant: 华中科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本申请属于图像检测相关技术领域，其公开了一种干扰SAR样本生成模型及图像目标检测模型的构建方法，样本生成模型构建方法包括：获取研究对象的无干扰SAR图和干扰SAR图，将无干扰SAR图和干扰SAR图合成，得到内容图；以随机抽取的干扰SAR图作为风格图，将内容图和风格图分别输入风格迁移网络进行训练，生成干扰SAR样本，计算训练损失并通过反向传播更新网络参数以提高生成干扰SAR样本的逼真度；多次训练直至训练损失收敛，得到干扰SAR样本生成模型。风格迁移网络包括可逆残差模块、通道细化模块以及转换模块。通过以上方法，可以解决目前SAR数据样本匮乏的问题，快速生成更加逼真的干扰SAR样本。
-
公开(公告)号：CN115861595A
公开(公告)日：2023-03-28
申请号：CN202211448179.8
申请日：2022-11-18
Applicant: 华中科技大学
IPC: G06V10/25 , G06V10/75 , G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本发明公开了一种基于深度学习的多尺度域自适应异源图像匹配方法，属于图像匹配技术领域，包括：利用多尺度域自适应的特征提取网络提取异源图像中更加高级的特征，这些特征为异源图像的共有特征，利用共有特征能够更好的对不同源的图像进行精确匹配。其中，引用的金字塔分割注意力模块，能够很好的提取出不同尺度的图像特征，使得训练得到得网络模型能更好地适用尺度的变化。引入了条件域归一化的特征映射，使得训练的模型能够很好的适应不同源图像的数据分布。本发明利用PSA模块获得图像更多尺度的特征，用条件域归一化的特征映射来减小异源图像的特征差异，从而提高了异源图像匹配的精度，由此解决异源图像匹配的精度低的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
