专利交易市场

本实用新型涉及无人机设备技术领域，具体公开了一种无人机识别装置，包括：无人机、减震结构、支撑板、凸块、滑杆、限位框、缓冲气囊、除尘结构、密封套环、气体管路、吹气环、出气孔、调节结构、安装板、底板和摄像头；本实用新型中无人机机体降落时，滑杆底部位于凸块下方，滑杆会先接触地面，从而会向顶部滑动并挤压缓冲气囊，便于对无人机机体进行缓冲减震，减小落地冲击性，支撑板底部的凸块便于支撑板在不平整地面稳定支撑，增大稳定性，而缓冲气囊受到挤压会将气体从密封套环挤出，并经过气体管路进入到吹气环中，从出气孔排出，排出的气体会对摄像头表面灰尘进行清理，从而避免灰尘黏附影响摄像头使用，便于自动进行清理，方便使用。

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。