[发明专利]基于混合尺度和聚焦网络的红外小目标检测方法及装置在审
| 申请号： | 202310915664.X | 申请日： | 2023-07-25 |
| 公开（公告）号： | CN116894959A | 公开（公告）日： | 2023-10-17 |
| 发明（设计）人： | 王鲁平;王成龙;张渝东 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G06V10/52 | 分类号： | G06V10/52;G06V10/80;G06V10/82 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 梁嘉琦 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 暂无信息 | 说明书： | 暂无信息 |
| 摘要： | 本发明公开了基于混合尺度和聚焦网络的红外小目标检测方法及装置，方法包括：获取待检测的第一图像，对第一图像进行尺度变换，得到第二图像；其中，第二图像的尺度大于第一图像的尺度；对第一图像和第二图像分别进行多层特征提取，对应获得第一多尺度特征和第二多尺度特征；其中，多层特征提取中，每层特征提取的输入为上一层特征提取的输出；对第一多尺度特征和第二多尺度特征进行尺度整合，获得多尺度整合特征；对多尺度整合特征中的若干高层特征进行特征融合，获得融合特征；基于融合特征，对多尺度整合特征中剩余的底层特征逐层进行空洞聚焦，获得目标检测结果。本发明能够准确进行目标检测，可广泛应用于数据处理技术领域。 | ||
| 搜索关键词： | 基于 混合 尺度 聚焦 网络 红外 目标 检测 方法 装置 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中山大学，未经中山大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202310915664.X/，转载请声明来源钻瓜专利网。
- 同类专利
- 图像处理方法、装置、电子设备及存储介质-202310288239.2
- 舒秀军;文伟;朱允全;谯睿智 - 腾讯科技（深圳）有限公司
- 2023-03-15 - 2023-10-27 - G06V10/52
- 本申请提供一种图像处理方法、装置、电子设备及存储介质，该方法包括：对图像的特征进行抽取，并对抽取的特征进行复数域变换，得到特征图；在所述特征图中确定图像检测区域对应的特征区域，所述图像检测区域为针对所述图像进行处理的目标区域；对所述图像检测区域对应的特征区域进行特征池化处理，得到所述图像的图像特征。本申请实施例的技术方案能准确获取的表征图像信息的图像表征，图像处理效率高。
- 基于多尺度注意力胶囊网络的物联网设备识别方法及系统-202310676757.1
- 马骏;王苑成;魏星;高鹏韬;马佳利;李勇飞;陈庆礼;付春辉 - 中国人民解放军战略支援部队信息工程大学
- 2023-06-08 - 2023-10-27 - G06V10/52
- 本发明涉及物联网安全技术领域，特别涉及一种基于多尺度注意力胶囊网络的物联网设备识别方法及系统，收集待识别的目标物联网设备原始流量数据，并通过对原始流量数据进行规范化预处理，得到预处理后的规范化流量数据；将规范化流量数据输入至预训练的胶囊网络设备识别模型，利用预训练的胶囊网络设备识别模型来识别目标物联网设备类型；其中，胶囊网络设备识别模型包含用于细粒度提取输入数据多尺度特征的特征提取层、用于对提取的多尺度特征进行特征融合的特征融合层和用于对融合特征进行分类输出的胶囊层。本发明无需先验知识，避免人工提取特征的复杂度，可细粒度地提取物联网设备流量特征，具有较强的特征表征能力，提升识别准确率和效率。
- 图像的多尺度特征处理方法及装置-202311168251.6
- 蒋召;周靖宇 - 深圳须弥云图空间科技有限公司
- 2023-09-12 - 2023-10-20 - G06V10/52
- 本公开涉及图像处理技术领域，提供了一种图像的多尺度特征处理方法及装置，该方法包括：对图像的特征图进行处理，得到图像的第一尺度特征向量矩阵；对图像的第一融合特征向量矩阵进行处理，得到图像的第二尺度特征向量矩阵；对图像的第二融合特征向量矩阵进行处理，得到图像的第三尺度特征向量矩阵；根据图像的第一尺度特征向量矩阵、图像的第二尺度特征向量矩阵、以及图像的第三尺度特征向量矩阵，确定图像的多尺度特征向量矩阵；根据特定对象的图像的多尺度特征向量矩阵和至少一个重识别对象的图像的多尺度特征向量矩阵，从至少一个重识别对象中定位目标对象。本公开基于多尺度特征向量矩阵来获取目标对象，以此方式获取的目标对象更加准确。
- 基于混合尺度和聚焦网络的红外小目标检测方法及装置-202310915664.X
- 王鲁平;王成龙;张渝东 - 中山大学
- 2023-07-25 - 2023-10-17 - G06V10/52
- 本发明公开了基于混合尺度和聚焦网络的红外小目标检测方法及装置，方法包括：获取待检测的第一图像，对第一图像进行尺度变换，得到第二图像；其中，第二图像的尺度大于第一图像的尺度；对第一图像和第二图像分别进行多层特征提取，对应获得第一多尺度特征和第二多尺度特征；其中，多层特征提取中，每层特征提取的输入为上一层特征提取的输出；对第一多尺度特征和第二多尺度特征进行尺度整合，获得多尺度整合特征；对多尺度整合特征中的若干高层特征进行特征融合，获得融合特征；基于融合特征，对多尺度整合特征中剩余的底层特征逐层进行空洞聚焦，获得目标检测结果。本发明能够准确进行目标检测，可广泛应用于数据处理技术领域。
- 一种设备质检方法、装置和系统-202310990804.X
- 王潜龙;曹跃隆;熊骏 - 深圳探谱特科技有限公司
- 2023-08-08 - 2023-10-13 - G06V10/52
- 本发明涉及计算机领域，特别是涉及一种设备质检方法、装置和系统，其中方法通过双通道的骨干网络以及深度卷积霍夫变换的应用能够实现对于设备图像中的直线的准确识别和检测，通过对若干个标准设备的直线进行拟合，能够准确的确定出标准位置范围，以该标准位置范围对待测设备的直线进行判断，能够准确判断待测设备是否合格，并且标准位置范围的确定过程以及检测过程均实现了自动化运行，减少了人工参与，也提升了检测的效率。
- 一种基于多尺度空间注意力的轻量化显著性检测方法-202211098512.7
- 沈坤烨;张翥佳;周晓飞;张继勇;李世锋;周振;何帆 - 杭州电子科技大学;中电数据服务有限公司
- 2022-09-03 - 2023-08-25 - G06V10/52
- 本发明涉及一种基于多尺度空间注意力的轻量化显著性检测方法，包括以下步骤：步骤一、构建多尺度特征提取模块，并对输入信息进行处理；步骤二、依据深度可分离卷积及多尺度特征提取模块构建编码器，用于获取多级语义特征；步骤三、构建多尺度空间注意力模块；步骤四、依据深度可分离卷积与多尺度空间注意力模块构建解码器；步骤五、以编码器、解码器为基础，建立轻量化显著性检测模型；步骤六、对所建立轻量化显著性检测模型进行训练，并保存训练所得最终模型参数；本发明通过对图像中多尺度特征的充分挖掘以及图像全局特征的提取与利用，强化了轻量化模型的检测能力，在保持轻量化模型自身优势的同时，提升了模型的检测精度。
- 一种基于深度学习的多尺度特征提取方法及系统-202310437067.0
- 陈东东;丁靖洋;仇浩浩 - 云南派动科技有限公司
- 2023-04-23 - 2023-07-18 - G06V10/52
- 本申请涉及深度学习技术领域，提供了一种基于深度学习的多尺度特征提取方法及系统，所述方法包括：将待处理图像数据集输入第一特征提取网络进行特征预提取，生成第二特征图层；将第二特征图层输入第二特征提取网络进行特征优化，生成第三特征图层；将第三特征图层分别输入检测头和分割头；通过检测头获得目标检测结果，其中包括目标位置信息和类别置信度；通过分割头获得目标分割结果，其中包含各个像素点的语义信息。采用本方法可以解决目前基于神经网络的特征提取器无法快捷转换适用于不同的识别子任务的问题，能够有效融合不同稀疏性特征并输出不同空间维度的图像信息，直接适用于目标识别中不同子任务。
- 一种基于单演特征联合稀疏表示的跨视角SAR识别方法-202211629285.6
- 胡喆;张弓;唐生勇 - 南京航空航天大学
- 2022-12-19 - 2023-06-23 - G06V10/52
- 本发明公开了一种基于单演特征联合稀疏表示的跨视角SAR识别方法，首先对数据集进行视角相关性聚类预处理后，对各个视角子集提取单演特征作为分类器的输入。为了挖掘多视角SAR图像间的互补信息，提出了一种多视角特征融合方法以实现相关性延拓，并基于多视角单演特征建立了一个联合分类误差与表示误差的过完备字典学习目标函数。在分类器学习过程中采用了多任务联合判别字典学习方法，将多任务联合判别字典与最优线性分类器参数联合学习，得到具有良好表征和鉴别能力的字典及相应的分类器，进而实现跨视角SAR目标识别。在MSTAR数据集上的实验结果表明，本发明在跨视角的条件下不仅能保持较高的识别率，而且能有效提高不同场景下识别的鲁棒性。
- 一种位置信息确定方法、对象识别模型的训练方法及装置-202310242370.5
- 王发发 - 北京奇艺世纪科技有限公司
- 2023-03-14 - 2023-06-13 - G06V10/52
- 本发明实施例提供了一种位置信息确定方法、对象识别模型的训练方法及装置，应用于图像处理领域，该位置信息确定方法包括：对目标图像进行特征预提取，得到目标图像的第一初始特征图；利用第一初始特征图，识别目标图像中待识别对象所处的区域，作为第一区域；从第一初始特征图中，提取第一区域所对应的第一区域特征图；将第一初始特征图与第一区域特征图进行特征融合，得到融合特征图；基于融合特征图确定所述目标图像中所述待识别对象的位置信息。通过本方案，可以提高确定对象在图像中的位置信息的准确性。
- 一种前景掩模特征图的确定方法、装置及电子设备-201910061824.2
- 李彦玮;陈新泽;黄冠 - 北京地平线机器人技术研发有限公司
- 2019-01-23 - 2023-06-13 - G06V10/52
- 本申请公开了一种前景掩模特征图的确定方法，包括：提取输入图像的多尺度特征图；在所述多尺度特征图中提取区域候选框；根据区域候选框在所述多尺度特征图中提取区域候选特征图；将区域候选特征图中每个前景掩膜的像素的像素值分配到多尺度特征图中的区域候选框中对应像素的N个点；每个点的值为所述像素值的1/N；N为自然数；确定所述每个点在多尺度特征图的对应区域的像素点的像素值；基于所述像素值，确定所述前景掩模特征图。本申请实施例提供的方法可以得到信息量丰富、精度高的前景掩模。
- 基于红外中长波融合的弱小目标检测方法、装置及介质-202211612608.0
- 张凯;曹熙卿;林健;张巍巍;刘小毛;杨尧;李妍琪 - 西北工业大学;上海航天控制技术研究所
- 2022-12-14 - 2023-05-16 - G06V10/52
- 本发明实施例公开了一种基于红外中长波融合的弱小目标检测方法、装置及介质；该方法可以包括：将原始中长波红外图像进行离散小波变化分解分别得到高频数据和低频数据；将所述高频数据进行最大绝对值融合得到显著部分；将所述低频数据进行加权平均融合得到轮廓部分；将所述显著部分与通过潜在低秩表示LatLRR训练得到的L矩阵进行融合，获得细节信息；根据所述显著部分与所述细节信息基于灰度对比度调制，获得显著特征；将所述显著特征与所述轮廓部分进行融合，获得重构图像；基于U型神经网络与Transformer算法结合的U‑Transformer模型对所述重构图像进行目标识别，获取弱小目标的位置信息。
- 一种高效的信息保真下采样方法和下采样模块-202310086379.1
- 徐国平;王霞霞;肖利芳;冷雪松;廖文涛;张炫;吴兴隆 - 武汉工程大学
- 2023-01-17 - 2023-04-25 - G06V10/52
- 本发明提供了一种高效的信息保真下采样方法和下采样模块，是分割任务中新的有效下采样方法；该模块使用Haar小波变换降低空间大小，同时增加特征通道的数量，使得空间的信息不会丢失；使用1乘1逐像素卷积运算学习代表性特征，以少量的学习参数提取图像的特征，提高语义分割的分割质量；实现了增强分割模型的性能和评估下采样后的特征的功能。本发明提出的通用下采样模块在不增加计算量的前提下直接替换池化层或跨步卷积层，并集成到当前所有的语义分割的架构中；本发明提出了新度量指标特征熵，用于对采样后的特征质量进行度量，评估输出特征图不确定度的大小。
- 多尺度图像处理方法、系统、装置和计算机设备-202211082679.4
- 王超;谷俊;谷明慧;朱义毅 - 中国工商银行股份有限公司
- 2022-09-06 - 2022-12-02 - G06V10/52
- 本申请涉及一种多尺度图像处理方法、系统、装置和计算机设备，涉及人工智能领域。所述方法包括：根据原始图像对应的图像矩阵与原始卷积核，得到对应的乘积矩阵，针对任一空洞卷积的尺寸(U，V)，在图像矩阵中确定多个起点元素(c，d)，其中1≤c≤V，1≤d≤U，U、V、c、d均为正整数。针对任一起点元素(c，d)，根据尺寸(U，V)，从乘积矩阵中读取目标元素，得到第一矩阵，并根据乘积矩阵和尺寸(U，V)，确定第一矩阵中各元素在特征图像中的目标位置，针对各起点元素(c，d)对应的第一矩阵，将位于同一目标位置的元素进行累加处理，得到原始图像在尺寸(U，V)下对应的特征图像。采用本方法能够提高图像处理效率。
- 基于BIM技术的建筑施工方法、装置及电子设备-202210984966.8
- 伍倜;庄海华;刘源;邹松霖 - 中航建筑工程有限公司
- 2022-08-17 - 2022-11-18 - G06V10/52
- 本发明涉及人工智能技术，公开了一种基于BIM技术的建筑施工方法，包括：基于灰度共生矩阵算法及小波变换法提取原始建筑图像集合中图像的建筑图像特征集合，利用交替优化聚类算法对建筑图像特征集合进行类型聚类，基于电缆信息对聚类结果进行标注，得到标准建筑图像聚类集合，对目标建筑图像进行栅格化处理，利用目标栅格化图像匹配标准建筑图像聚类集合中的聚类簇，从匹配成功的聚类簇对应的标注中选取目标电缆，基于目标电缆，利用改进的蚁群算法在目标栅格化图像中进行电缆路径规划，根据路径规划结果对目标电缆进行电缆排布。本发明还提出一种基于BIM技术的建筑施工装置及电子设备。本发明可以提高电缆排布的效率。
- 一种特征提取的方法及装置-202210836730.X
- 张渊佳;李响;陈金;孟祥松;陈硕;马博闻 - 天翼云科技有限公司
- 2022-07-15 - 2022-11-04 - G06V10/52
- 本发明实施例涉及一种特征提取的方法及装置。该方法包括：采用多个卷积层对目标图像进行卷积处理，得到第一特征图；将所述第一特征图分别输入至多个具有不同膨胀系数的第一空洞卷积层进行卷积处理，得到N个表征不同尺度的第二特征图；基于注意力机制确定所述N个第二特征图分别对应的N个尺度比例系数；基于所述N个第二特征图和所述N个第二特征图各自对应的尺度比例系数进行特征提取，得到所述目标图像的最终特征图。既深入提取了目标图像的语义信息，又在特征提取的过程中关注不同尺度的目标的空间信息，在满足大目标的检测精度的同时，又提高了小目标的检测精度，兼顾了多尺度目标的检测需求。
- 一种基于多尺度注意力模型的车辆属性识别方法-202210714451.6
- 田佳豪;石德旺;王玮;孙光泽;王刚;曹俊亮 - 西安烽火软件科技有限公司
- 2022-06-22 - 2022-10-21 - G06V10/52
- 本发明公开了一种基于多尺度注意力模型的车辆属性识别方法，涉及计算机视觉领域，主要用于车辆属性识别领域，主要由多尺度特征金字塔网络、属性定位模块、属性分类器、多分支联合优化策略及最大得分投票机制五部分,该方法通过引入多尺度特征金字塔结构，使得网络能自适应学习不同尺度的车辆属性，后在不同尺度空间中引入多个属性定位模块，使得不同层级特征专注于不同车辆属性的识别，采用多分支联合训练的策略优化网络，并通过最大投票机制处理不同分支的预测结果，得到最优预测结果。
- 基于在线掩膜感知的多尺度目标个数统计网络-202210516894.4
- 成锋娜;韩欣;韦郡涛;周宏平;茹煜;张玉言;姜胜芹 - 南京林业大学
- 2022-05-13 - 2022-09-02 - G06V10/52
- 本发明公开了一个基于在线掩膜感知的多尺度目标个数统计网络，包括以下步骤：1)将数据集样本分辨率调整为8的倍数，分别构建训练、验证及测试数据集；2)训练过程，对训练数据执行在线增广；3)构建多尺度目标个数统计网络；4)基于训练数据集对在线掩膜感知网络的参数进行训练，5)将保存的模型参数在测试数据集测试，得出测试数据集的目标统计结果。本发明设计了在线掩膜感知模块，自动感知网络中丰富的语义信息，降低网络的学习难度。同时设计了多尺度学习模块，使得网络根据目标尺度的变化学习其重要特征。本发明可实现高密度目标的个数统计及分布预测，可实现行人、车辆、果实等目标的个数统计。
- 一种基于小波变换的室内RGB-D图像语义分割方法-202210461039.8
- 张荣芬;范润泽;刘宇红;李景玉 - 贵州大学
- 2022-04-28 - 2022-08-02 - G06V10/52
- 本发明公开一种基于小波变换的室内RGB‑D图像语义分割方法,首先构建基于小波变换的卷积神经网络；其次在编码器与解码器的连接处通过小波变换与逆变换结合的模块将原始图像不同频率的图像特征进行多尺度融合；最后通过解码器网络对上述特征进行多次上采样，解码器的每个模块对特征进行两倍的上采样，并通过卷积和编码器的跳连连接更好的进行特征映射，逐步恢复高分辨率的图像，输出语义分割结果；本发明充分利用了过去方法未能利用的高频特征，保留了图像信息中的轮廓细节等信息，有效地提高了室内图像语义分割准确度以及推理速度，并减少了网络的参数量。
- 一种基于多尺度特征图的目标快速检测方法-201810417918.4
- 何小海;单倩文;滕奇志;吴晓红;卿粼波;王正勇;余艳梅 - 四川大学
- 2018-05-04 - 2022-04-01 - G06V10/52
- 本发明公开了一种基于多尺度特征图的目标快速检测方法。包括以下步骤：首先，通过卷积神经网络自动提取多尺度特征图，避免了传统方法中复杂的特征设计及提取过程。其次，考虑到不同卷积层学习到的特征表达各不相同，提出一种有效的特征图融合方法，并通过轻量级的压缩型双线性函数来实现，以提升特征图融合效率，丰富上下文信息。在此基础上，将多尺度特征图与通道注意机制结合，突出有用信息，抑制冗余信息，进一步增强特征图的表征能力。最后，将增强后的多尺度特征图用于目标检测，通过多次迭代训练得到最优模型。相比现有技术，本发明所提方法在提升检测精度的同时尽量降低时间成本，实现了目标的快速检测，在移动机器人、自动驾驶及智能视频监控等方面具有广阔的应用前景。
- 一种新的基于轻量级网络的显著性目标检测方法-202111495554.X
- 张红英;李俊文;韩宾;吴亚东 - 西南科技大学
- 2021-12-09 - 2022-03-15 - G06V10/52
- 本发明公开了一种新的基于立体注意力的全局信息渐进聚合轻量级显著性目标检测方法。首先，在多尺度立体注意力模块特征提取的基础上构造了一种全局池化聚合模块(GPAM)，解决了小型特征提取网络深度较浅、信息提取不足的问题；其次，构造了一种特征聚合增强模块(FAEM)对各层特征进行更高效的特征融合,解决了低层细节信息与高层语义信息相融合所存在的边缘不清晰问题；然后采用一种混合损失，融合二元交叉熵（BCE）和交占比（IOU）损失，能够更有效地定位和分割显著目标；最后采用深度监督方式进行训练，以提高网络各层之间的学习能力以及防止深层网络训练时出现梯度消失等现象。通过实验表明本方法能有效提高显著性目标检测网络的性能，获得优异的检测效果。
- 一种面向水中目标识别的声学Haar特征提取方法及系统-202111255279.4
- 孙飞虎;冯靖钊;高善国;李宇 - 中国科学院声学研究所
- 2021-10-27 - 2022-02-01 - G06V10/52
- 本发明涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统，所述方法包括：对接收到的水中目标水声信号进行预处理；对预处理后的信号进行时频特征变换，生成声学视频特征图；基于Haar‑like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；基于AdapBoost算法完成显著性声学特征提取。本发明的方法面向工程应用，针对水中目标的识别提出声学Haar特征提取方法，提取的显著性特征有助于提高训练效率，该方法具备简单易用、清晰明了、实用性强的特点。
- 专利分类
