-
[发明专利]CN121811091A _
中国舰船研究院(中国船舶集团有限公司第七研究院)
2026年03月06日
本发明公开了一种基于迁移学习的民用船舶分类系统,属于计算机视觉领域。包括:头模块、CNN模块、转换模块、Transformer模块、后处理模块;头模块和CNN模块共同组成了CNN层,用于识别包含图像的颜色、形状的浅层信息;转换模块的用于将CNN层输出的特征图进行转化,形成Transformer化的特征图;Transformer模块用于对经过转换模块后的特征图进行高级/全局特征提取;后处理模块包括全局均值池化层和全连接层,用于特征压缩和类别概率计算。本发明通过结合Transformer和CNN的优点,即利用CNN善于提取图像浅层特征的优点和Transformer对善于理解图像深层信息的优点,来综合判定判断船舶种类和定为船舶位置,实现高精度的检测效果。
-
[发明专利]CN122888323A _
郑州大学
2026年07月28日
本发明公开了一种针对船舶分类的进化神经架构搜索方法,包括大语言模型驱动的种群初始化机制,利用大语言模型的推理能力生成高潜力的初始神经网络结构;在进化期间,利用生成‑排序机制,结合大语言模型根据个体历史最优解进行新种群的生成与排序,增加搜索区域并不额外增加搜索成本;进化结束后,对最优卷积神经网络架构在测试集进行评估,最终输出船舶分类结果。本发明能够针对船舶图像分类场景自动设计出有效的卷积神经网络结构,减少对专家经验的依赖,并提高船舶分类精度。
-
[发明专利]CN121527512A _
北京理工大学
2025年11月17日
本发明公开了基于散射特征引导的双路特征提取SAR船舶分类方法,包括以下步骤:步骤S1、散射中心特征提取:基于属性散射中心模型与理想点散射中心模型融合的实图像域散射中心模型;步骤S2、拓扑图构建:根据提取的散射中心坐标及强度参数构建图结构数据;步骤S3、双路特征网络融合:第一支路采用图卷积网络对拓扑图进行特征提取,第二支路采用卷积神经网络提取SAR图像全局视觉特征;步骤S4、利用分割损失、散射中心提取损失、分类损失优化双路特征网络。本发明采用上述的基于散射特征引导的双路特征提取SAR船舶分类方法,提出利用简化的散射中心模型,完成稳健的SAR分类网络构建。
-
[发明专利]CN121146216B _
长江勘测规划设计研究有限责任公司
2025年11月18日
本发明提供一种考虑船舶分类与危险品隔离的船闸智能调度方法及系统,考虑船舶分类与危险品隔离的船闸智能调度方法包括:S1、获取待排船舶的信息和闸室的信息,基于待排船舶的危险等级构建常规船舶信息列表ListN和危险船舶信息列表ListD;S2、根据闸室所在水利枢纽管理办法,获取需要单独过闸的危险等级,修改ListD中需要单独过闸的船舶的安全尺寸,使其占满闸室;S3、分别将ListN和ListD作为输入列表ListI,基于船舶的安全尺寸、到达时间、类型,计算ListI的全局最高调度评分,选择ListN和ListD中全局最高调度评分的更高者对应的全局最优调度方案作为最终的调度方案。本发明实现了提升闸室利用率、减少船舶等待时间、权衡船舶优先级并隔离危险品船舶的联合目标。
-
[发明专利]CN121746688A _
哈尔滨工程大学
2025年12月31日
本发明提出一种基于动态采样注意力的双极化SAR图像船舶分类方法。该方法通过骨干网对不同极化方式的SAR图像进行特征提取,然后通过双分支特征交互模块对不同阶段的双分支特征进行融合进而得到平衡特征,并利用DSAM模块对最高层交互特征和各层交互特征通过全面采样和学习关键组件信息,获得增强的组件信息高层特征图。再将不同层的DSAM模块输出进行分阶段融合,得到含有关键信息的最终分类特征。实现了高效准确的双极化SAR图像船舶分类。
-
[发明专利]CN120388301B _
哈尔滨工程大学
2025年04月01日
本发明提出一种基于多层次特征协同交互的ConvNeXt模型SAR船舶分类方法。为了有效利用传统手工特征,所述方法使用基于Canny的边缘检测方法,通过多级滤波和边缘梯度分析,捕捉图像中物体的边缘信息,并将结果输入到ConvNeXt模型中进行特征提取。此外,在ConvNeXt模型中扩展了多级分支结构,用于对不同尺度下特征信息的深度提取,从而在低层次特征和高层次特征上同时捕捉图像的多种信息。最后,多尺度特征提取过程中进行与传统手工特征的交叉融合,从而提高模型的分类精度。
-
[发明专利]CN122135073A _
中国科学院声学研究所
2026年02月02日
本申请公开融合对比学习的双分支船舶分类识别方法,包括:将MFCC特征输入到双分支船舶分类识别模型;输出船舶类别的预测结果;所述双分支船舶分类识别模型包括:多尺度共享特征提取器,用于并行采用不同尺度的卷积核对输入的MFCC特征和增强后MFCC特征进行特征提取,将各尺度卷积输出进行拼接,形成融合多尺度信息的共享特征;分类学习分支,用于将多尺度共享特征对关键判别特征进行加权强化,然后进行分类,输出船舶类别的预测结果;并计算分类损失;特征增强分支,用于将由MFCC特征形成的多尺度共享特征和由增强后MFCC特征形成的多尺度共享特征增强特征表达能力,随后输入投影头,得到嵌入特征,计算对比损失。本发明提升对少数类船舶的识别能力。
-
[发明专利]CN122135073B _
中国科学院声学研究所
2026年02月02日
本申请公开融合对比学习的双分支船舶分类识别方法,包括:将MFCC特征输入到双分支船舶分类识别模型;输出船舶类别的预测结果;所述双分支船舶分类识别模型包括:多尺度共享特征提取器,用于并行采用不同尺度的卷积核对输入的MFCC特征和增强后MFCC特征进行特征提取,将各尺度卷积输出进行拼接,形成融合多尺度信息的共享特征;分类学习分支,用于将多尺度共享特征对关键判别特征进行加权强化,然后进行分类,输出船舶类别的预测结果;并计算分类损失;特征增强分支,用于将由MFCC特征形成的多尺度共享特征和由增强后MFCC特征形成的多尺度共享特征增强特征表达能力,随后输入投影头,得到嵌入特征,计算对比损失。本发明提升对少数类船舶的识别能力。
-
[发明专利]CN120804915B _
中远海运科技股份有限公司
2025年07月25日
本发明涉及基于余弦相似度优化的船舶分类与预测方法及系统,先采集船舶的原始多维特征数据并进行预处理,结合经验规则对船舶进行初步分类,得到包含多个船舶类别的初步分类结果;再统计初步分类结果中各船舶类别的样本数量,将样本数量小于预设数量阈值的船舶类别记为待优化类别,并将除待优化类别外的其他船舶类别记为参考类别;然后引入余弦相似度方法重新划分种类,得到优化后的船舶分类结果;通过预处理后的多维原始特征数据及优化后的船舶分类结果作为数据集训练和测试随机森林模型进而得到船舶分类预测模型;最后使用船舶分类预测模型对待检测的新船舶进行类别预测,预测出新船舶所属的船舶类别,实现精准的船舶分类和管理。
-
[发明专利]CN122796687A _
中国科学院声学研究所
2026年06月09日
本发明公开了一种面向小样本船舶分类识别的对比预训练与自蒸馏微调方法及系统,包括:将待识别船舶辐射噪声信号的CQT谱输入微调后的分类识别模型,经softmax函数得到类别概率,得到船舶识别结果;微调后的分类识别模型通过两阶段框架训练得到;对比预训练阶段采用大规模无标签船舶样本,每个样本经组合数据增强方法独立生成两个视图,对包括编码器和投影头的对比学习模型进行训练得到编码器参数;自蒸馏微调阶段采用少量带标签船舶样本对包括编码器和分类器的分类识别模型进行训练,编码器的初值为对比预训练阶段得到的编码器参数,以分类识别模型自身的历史预测为软标签,与硬标签共同监督当前轮训练,得到微调后的分类识别模型。