[发明专利]一种地球静止轨道弱小目标检测方法、系统和电子设备有效

专利信息
申请号: 202211558664.0 申请日: 2022-12-06
公开(公告)号: CN115861839B 公开(公告)日: 2023-08-29
发明(设计)人: 杨其利;张佳文;刘丹 申请(专利权)人: 平湖空间感知实验室科技有限公司
主分类号: G06V20/13 分类号: G06V20/13;G06V10/82;G06N3/08;G06N3/0464
代理公司: 北京轻创知识产权代理有限公司 11212 代理人: 王澎
地址: 314200 浙江省嘉兴市平湖*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 地球 静止 轨道 弱小 目标 检测 方法 系统 电子设备
【权利要求书】:

1.一种地球静止轨道弱小目标检测方法,其特征在于,包括:

将测试图像输入训练好的ASD-net模型,得到多任务信息,多任务信息包括每个弱小目标的中心位置、每个中心位置的中心偏置值以及每个中心位置对应的预测框的尺寸;

根据任一中心位置、该中心位置的中心偏置值以及该中心位置的对应的预测框的尺寸,在测试图像上确定该中心位置对应的多个预测框,利用非极大值抑制方法,得到该中心位置对应的唯一预测框,直至得到每个中心位置对应的唯一预测框;

ASD-net模型包括BottleneckCSP模块、区域上下文信息模块、密集连接块,BottleneckCSP模块包括2个残差单元,每个残差单元包含一个卷积核为1、滑动步长为1的卷积层和一个卷积核为3、滑动步长为1的卷积层,通过短连接将残差单元的输入和输出进行残差运算;区域上下文信息模块采用了不同空洞率的空洞卷积,以及不同核尺寸的最大池化层;密集连接块模块将所有卷积块连接起来,每一卷积块将之前所有卷积块的输入进行深度拼接,之后将输出的特征图传递给之后的所有卷积块。

2.根据权利要求1所述的一种地球静止轨道弱小目标检测方法,其特征在于,还包括:

对每个训练图像样本进行归一化处理,得到多个归一化后的训练图像样本;

基于多个归一化后的训练图像样本,对引入多种损失函数的ASD-net深度学习网络模型进行训练,得到训练好的ASD-net模型。

3.根据权利要求2所述的一种地球静止轨道弱小目标检测方法,其特征在于,多种损失函数包括:Focalloss损失函数,L1 loss损失函数和Distance IoU Loss损失函数。

4.一种地球静止轨道弱小目标检测系统,其特征在于,包括输入输出模块和确定模块;

所述输入输出模块用于:将测试图像输入训练好的ASD-net模型,得到多任务信息,多任务信息包括每个弱小目标的中心位置、每个中心位置的中心偏置值以及每个中心位置对应的预测框的尺寸;

所述确定模块用于:根据任一中心位置、该中心位置的中心偏置值以及该中心位置的对应的预测框的尺寸,在测试图像上确定该中心位置对应的多个预测框,利用非极大值抑制方法,得到该中心位置对应的唯一预测框,直至得到每个中心位置对应的唯一预测框;

ASD-net模型包括BottleneckCSP模块、区域上下文信息模块、密集连接块,BottleneckCSP模块包括2个残差单元,每个残差单元包含一个卷积核为1、滑动步长为1的卷积层和一个卷积核为3、滑动步长为1的卷积层,通过短连接将残差单元的输入和输出进行残差运算;区域上下文信息模块采用了不同空洞率的空洞卷积,以及不同核尺寸的最大池化层;密集连接块模块将所有卷积块连接起来,每一卷积块将之前所有卷积块的输入进行深度拼接,之后将输出的特征图传递给之后的所有卷积块。

5.根据权利要求4所述的一种地球静止轨道弱小目标检测系统,其特征在于,还包括训练模块,所述训练模块用于:

对每个训练图像样本进行归一化处理,得到多个归一化后的训练图像样本;

基于多个归一化后的训练图像样本,对引入多种损失函数的ASD-net深度学习网络模型进行训练,得到训练好的ASD-net模型。

6.根据权利要求5所述的一种地球静止轨道弱小目标检测系统,其特征在于,多种损失函数包括:Focal loss损失函数,L1 loss损失函数和Distance IoU Loss损失函数。

7.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至3中任一项所述的一种地球静止轨道弱小目标检测方法。

8.一种电子设备,其特征在于,包括处理器和权利要求7所述的存储介质,所述处理器执行所述存储介质中的指令。

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平湖空间感知实验室科技有限公司,未经平湖空间感知实验室科技有限公司许可,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/pat/books/202211558664.0/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top