师皓
- 作品数：44 被引量：30H指数：3
- 供职机构：北京理工大学更多>>
- 发文基金：国家自然科学基金北京市教委科技计划面上项目中国博士后科学基金更多>>
- 相关领域：自动化与计算机技术电子电信航空宇航科学技术更多>>
- 一种基于变换域信息融合的SAR图形船只目标检测方法
- 本发明提供一种基于变换域信息融合的SAR图形船只目标检测方法，基于SAR图像得到初步船只检测结果；将SAR图像转换为伪光学图像，将伪光学图像输入图像分割网络，得到分割结果；根据分割结果对初步船只检测结果进行虚警剔除，得到...
- 张博程师皓
- 文献传递
- 一种基于轻量化扩散模型去噪网络的高光谱图像分类方法
- 本发明提供了一种基于轻量化扩散模型去噪网络的高光谱图像分类方法，本发明基于对原始高光谱图像提取PCA分量，并将PCA图像块和原始高光谱图像切割成的图像块作为输入至扩散模型进行去噪网络训练；并对扩散模型解码器简化后，利用输...
- 何静飞陈亮师皓杨靖怡尹逸斐王裕沛
- 一种基于注意力金字塔的SAR船只目标检测方法
- 本发明提供一种基于注意力金字塔的SAR船只目标检测方法，将SAR图像输入到特征提取网络得到初步的特征提取结果；对初步提取到的特征输入到基于通道注意力和空间注意力的特征金字塔网络，得到更加精细化的特征提取结果。相较于传统的...
- 师皓方中昊何成陈亮崔子涵
- 基于特征位置优选整合的快速城区检测算法被引量：1
- 2015年
- 遥感图像中城市区域的自动分析解译是遥感对地观测领域重要的应用方向,针对自动高效城区检测的迫切需求,提出了一种基于遥感图像的城区区域快速检测算法.首先通过智能去雾处理降低薄雾气象条件对检测的干扰,然后通过快速的关键点搜寻进行城区特征位置初选,并以全局与局部约束相结合的策略筛选出高置信度的城区特征位置,最后通过高斯渲染加权的方法整合城区特征位置,并在获得的城区高斯加权图上自适应分割出最终的城区.本算法使用Google提供的卫星图像进行算法验证测试,可得到准确的检测结果.本检测算法可满足遥感图像城区检测自动化、实时化的需求,大大减小了人工判图的工作量,能够广泛应用于机载或星载平台.
- 师皓陈禾毕福昆庞枫骞杨小婷
- 关键词：遥感图像处理特征点提取
- 一种基于显著图引导的SAR图像目标识别方法
- 本发明提供一种基于显著图引导的SAR图像目标识别方法，包括：根据原始SAR图像生成对应的目标显著图，所述目标显著图含有目标关键信息；基于所述目标显著图提取所述原始SAR图像中的深层特征和浅层特征，并引导所述深层特征和浅层...
- 李健昊陈亮师皓张平尹逸斐徐明
- 一种基于特征位置优选整合的城区检测方法
- 本发明提出一种基于特征位置优选整合的城区检测方法，无需进行先验学习，计算简单，更适合在实际应用中实现。步骤一、图像预处理：包括RGB彩图转灰度图像及高斯金字塔生成；步骤二、城区位置特征点初步选取；步骤三、城区位置特征点筛...
- 陈禾师皓毕福昆陈亮龙腾
- 文献传递
- 基于双路径稀疏分层网络的光学遥感图像地物分类方法
- 本发明提供一种基于双路径稀疏分层网络的光学遥感图像地物分类方法，本方法通过将多尺度特征利用预先设置的间隔进行稀疏分组，并利用对应间隔的两条特征融合路径分别对不同层次的特征图进行融合，得到各自对应的特征性图，并进行进一步的...
- 王裕沛师皓陈亮樊嘉禾
- 文献传递
- 一种基于视觉词汇的遥感图像地物分类方法
- 本发明公开了一种基于视觉词汇的遥感图像地物分类方法，包括如下步骤：首先将所有的遥感图像分为训练集和测试集，以固定的大小对每幅遥感图像裁剪获得初步切片图，提取包含目标的初步切片图；针对包含目标的初步切片图通过高斯模糊与抽样...
- 陈亮师皓赵博雅陈禾龙腾
- 文献传递
- 小卫星智能化技术发展展望
- 2024年
- 随着人工智能、大数据、云计算、物联网等技术在各领域应用日趋深入,航天技术也取得了迅猛发展,基于复杂任务的体系智能化、星座智能化发展成为航天新趋势。未来小卫星将向“新、小、快、灵、智、多、省、好”等方向发展,通过人工智能、数字孪生等技术实现智能化,以适应小卫星星座化、体系化发展需求。文章为应对未来小卫星快速发展需求,提出了星座化、体系化发展下小卫星特点与智能化需求,探讨了新形式下小卫星智能化发展转型,并给出了小卫星智能化发展建议。
- 崔玉福刘质加贾晓冬师皓谢凤英王靖李志刚张少坡李国军刘元默邱增帅
- 关键词：小卫星智能化技术大数据
- 基于视觉-文本损失的开放词汇检测大模型对抗样本生成方法
- 2024年
- 近期,开放词汇检测(OVD)因其在处理未知类别物体识别上的潜力而成为计算机视觉领域的研究焦点。YOLO-World作为该领域的代表性方法,在具有强大实时检测能力的同时,由深度学习网络脆弱性引起的安全问题也不可忽视。基于此背景,提出了一种针对YOLO-World算法的白盒对抗样本生成方法,为识别和量化大模型安全漏洞提供思路。方法以YOLO-World网络反向传播过程中产生的梯度数据作为依据,对预设的扰动进行优化,将优化后的扰动添加至原始样本形成对抗样本。首先利用模型输出中的置信度和边界框信息作为初步优化依据,形成具有一定攻击效果的对抗样本;再加上根据YOLO-World模型中的RepVL-PAN结构设计的视觉-文本融合损失,进一步提升对抗样本对模型的破坏性;最后融入扰动量损失对总扰动量进行约束,形成扰动量有限的对抗样本。通过生成的对抗样本可以根据实际需要实现置信度降低、检测框偏移等攻击目标,实验结果表明,该方法对YOLO-World模型具有显著的破坏能力,经过在LIVS数据集上测试,检测平均精度下降至5%以下。
- 师皓王澍韩健鸿罗兆亿王裕沛
