[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
| 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 | ||
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。
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。





