专利交易市场

本发明公开了一种适用于低算力设备的目标识别方法及系统，将采集的原始目标图像输入目标识别网络，输出高精度高稳定性的特征图；本发明提供的目标识别网络，包括顺序连接的一个3×3的conv基本单元、1个dp基本单元、1个R‑ECA模块、2个dp基本单元、1个R‑ECA模块、2个dp基本单元、1个R‑ECA模块、5个dp基本单元、1个R‑ECA模块、2个dp基本单元、1个R‑ECA模块；其中conv代表一个传统卷积层，dp代表一个深度可分离卷积层；conv基本单元和dp基本单元的输出均经过BN层和ReLU非线性激活函数处理后再输入下一单元。本发明可以有效提高网络的精度和稳定性，并适用于低算力设备。

本发明公开了一种基于CS和SVM决策级融合的SAR图像目标识别方法。本发明结合了压缩感知和支持向量机各自的优势，利用压缩感知的优化求解数据校正方位角，并对压缩感知和支持向量机的识别结果进行决策级融合。首先将SAR图像目标识别问题转化为稀疏信号恢复问题，基于恢复的稀疏系数分别获得目标分类结果和目标方位角估计，然后对测试图像进行姿态校正，利用支持向量机获取目标分类结果，最后将三者分类结果根据投票法进行决策级融合。实验结果表明，在不进行姿态校正的情况下，基于压缩感知的目标识别算法与其它算法相比，显著提高了SAR图像变形目标识别的准确率；当样本数较少情况下，本发明显著提高了SAR变形目标的识别率。

本发明公开基于GAN和SVM的SAR图像目标识别方法，首先采用一种基于多尺度分形特征的SAR图像增强算法进行SAR图像目标方位角估计；然后基于解耦表示学习生成对抗网络模型(Disentangled Representation Learning GAN，DRGAN)设计了一种用于SAR图像目标方位角变换的深度生成模型；本发明基于训练得到的DRGAN模型对输入SAR图像进行方位角归一化变换，然后基于方位角归一化后的SAR图像作为训练样本提取灰度特征，训练SVM分类器；对测试样本进行同样的方位角归一化变换，采用训练得到的SVM分类器进行分类。本发明采用MSTAR数据集进行验证，在SOC和多个EOC比较多种算法的识别精度，验证了本发明提出方法的有效性。

本发明公开了一种基于多帧图像的目标识别方法、装置及设备，方法包括：对多帧图像中存在的目标进行配准，对配准后的目标进行特征提取及特征融合，根据融合后的特征，得到目标识别结果；可见，本方案中，利用多帧图像中目标的关联性，对目标进行配准及特征融合，即使某一单帧图像中画面不清晰、或者目标被遮挡，仍然可以利用与该单帧图像相关联的其他帧图像，对该单帧图像中的目标进行配准及特征融合，对融合后的特征进行识别，得到的目标识别结果准确性较高。

本发明涉及计算机目标识别技术领域，具体涉及基于自优化融合反馈的显著目标识别方法，包括：获取待识别目标的图像数据；将待识别目标的图像数据输入构建的目标识别模型中；首先基于图像数据提取多层次的特征信息，并对特征信息进行整合优化，得到包含多尺度感受野信息的优化特征图；然后对最高层特征信息进行全局特征优化，生成对应的全局特征图；最后进行最高层优化特征图到最低层优化特征图的渐进式融合，并加入全局特征图参与特征融合，以生成对应的显著图；基于目标识别模型输出的显著图完成显著目标识别。本发明的显著目标识别方法能够控制特征融合过程并优化粗糙特征信息，从而提升显著目标的准确性和效果。

本发明公开了一种目标识别模型训练和目标识别方法及装置、计算设备，属于计算机视觉技术领域，其中方法包括：将针对所述训练图像选定的多个局部候选区域输入至所述目标识别模型，得到所述目标识别模型输出的多个局部候选区域分类的初步结果；依据所述弱监督信息和所述多个局部候选区域分类的初步结果，进行局部候选区域融合；根据所述多个局部候选区域分类的初步结果和局部候选区域融合的结果对所述目标识别模型的参数进行修正；迭代执行以上所述训练步骤直至所述目标识别模型的训练结果满足预定收敛条件。本发明方案既有像素级别的直接监督，又可以端到端的优化语义分割模型，又能够根据对局部候选区域的判断改善目标识别的结果。

本申请实施例提供了一种目标识别方法及装置，获取待识别图片，将待识别图片输入预先训练的目标深度学习模型，得到待识别图片中的目标特征，将该目标特征与预先标定的目标特征进行比较，得到待识别图片的目标识别结果。其中，目标深度学习模型在对输入的待识别图片进行运算时，针对目标深度学习模型中的每一个网络层，将输入该网络层的输入特征、该网络层的网络权重和该网络层输出的输出特征中的至少一项量化为位宽小于16比特的低比特整型数据。对于每个网络层，参与运算的是位宽较低的低比特整型数据，降低了参与运算的数据的位宽和数据量，能够提升目标深度学习模型进行目标识别的运算速率，从而提高了目标识别的效率。

本申请提供了目标识别方法和装置。本申请中，先确定出当前视频帧中非机动车对应的候选营运信息，之后再针对候选营运信息中的每一候选营运品牌，检查候选营运信息中非机动车与该候选营运品牌之间的关联度是否大于该候选营运品牌对应的预设关联阈值，如果是，将该候选营运品牌确定为所述非机动车的目标营运品牌，最终识别出视频帧中非机动车的目标营运品牌，进而可实现后续通过目标营运品牌告警规范非机动车违法行为的目的。