-
公开(公告)号：CN116977854B
公开(公告)日：2025-04-29
申请号：CN202310949167.1
申请日：2023-07-31
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/086
Abstract: 一种基于代理辅助进化神经网络架构搜索的极化SAR图像分类方法、系统、设备及介质，方法包括：复值神经网络模型编码、代理模型训练数据库数据采样、代理模型训练数据库数据预处理、训练代理模型、获取最优复值卷积神经网络、SAR图像分类；系统、设备及介质：用于实现一种基于代理辅助进化神经网络架构搜索的极化SAR图像分类方法；本发明能够降低进化架构搜索算法的时间成本和资源消耗，能够高效、高精度地搜索适合极化SAR图像分类的神经网络模型。
-
公开(公告)号：CN119832420A
公开(公告)日：2025-04-15
申请号：CN202411886247.8
申请日：2024-12-20
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/52 , G06V10/58 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于多尺度注意力密集特征金字塔的高光谱图像分类方法，主要解决现有技术中对有效的多层次特征表示较弱、类不平衡场景未被充分考虑导致分类精度低的问题。其实现方案包括：获得高光谱图像并进行预处理后划分训练集和测试集；构建由多尺度特征提取模块、空间‑光谱注意力模块、密集金字塔特征编解码模块、线性层级联组成的多尺度注意力和密集特征金字塔网络分类模型，设置其损失函数；利用训练集通过梯度下降法训练分类模型；将测试集输入到训练好的分类模型得到高光谱图像的分类结果。本发明通过分类模型能增强空谱特征表示、减少冗余信息、融合多层次特征，并通过设计的损失函数，提升类不平衡场景下高光谱图像的分类精度，可用于农业、地质勘探和城市规划。
-
公开(公告)号：CN119229284A
公开(公告)日：2024-12-31
申请号：CN202411271933.4
申请日：2024-09-11
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于Shearlet先验知识的细粒度表征遥感影像解译方法及系统，采用Shearlet变换对预处理后的遥感影像数据进行高频子带信息抽取；使用拉普拉斯金字塔和shearlet滤波器分别获得高频组件和对其按方向拆分后的多向高频子带；通过空间注意力机制自适应融合相同层次的子带，生成细节增强的特征图；将通过Shearlet变换提取的高频组件先验与深度残差网络获取的深层残差块进行多尺度多层次加权融合；使用训练好的细节增强骨干和多个任务的不同探测头，输出精确的遥感影像分析结果；通过结合Shearlet变换和先进的深度学习架构，显著提高了遥感影像解译的精确度和效率，同时保持了良好的模型泛化能力和实用性，预计将推动遥感影像处理向更智能、自动化的方向发展。
-
公开(公告)号：CN118658060A
公开(公告)日：2024-09-17
申请号：CN202410686902.9
申请日：2024-05-30
Applicant: 西安电子科技大学
Abstract: 一种基于代理辅助多目标进化神经架构搜索的高光谱图像分类方法，包括以下步骤：初始化架构信息；生成每个树形染色体对应的训练集和验证集；构建卷积神经网络；代理模型辅助多目标进化搜索：对组合后的父代种群和精英种群，使用多目标选择算法筛选新的精英种群；对新的精英种群依概率执行交叉操作生成交叉种群；对交叉种群中的个体执行变异操作，将所有的变异子代组成变异种群；将变异种群作为下一代种群；对种群进行迭代，选出最优卷积神经网络；计算卷积神经网络对高光谱图像中所有待分类的样本的分类准确率，将对应的分类准确率作为结果输出；本发明具有降低网络模型复杂度、减少网络模型计算时间和提高分类精度等优点。
-
公开(公告)号：CN110176005B
公开(公告)日：2023-03-24
申请号：CN201910407115.5
申请日：2019-05-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于归一化指数和多尺度模型的遥感图像分割方法，主要解决现有方法数据利用率低以及分割精度低的问题，其实施方案为：1)对数据预处理生成多尺度多通道数据集；2)利用多尺度数据训练分割网络，得到两个多尺度分割模型；3)用两个多尺度分割模型生成待检测图片的第一分割结果和第二分割结果；4)利用多通道数据计算水体归一化指数，根据设定的阈值用水体归一化指数生成第三分割结果；5)融合叠加三个分割结果，并对融合后的结果进行边界优化和形态学处理，得到最终分割结果。本发明提高了对遥感图像的分割精度，提升了对遥感图像信息的利用效率，可应用于对目标的分割或识别。
-
Patent Agency Ranking
公开(公告)号：CN113436218B
公开(公告)日：2023-02-10
申请号：CN202110856884.0
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法，主要解决现有技术漏检、错检，且检测的时间成本较高问题。包括：1)生成多向双高斯滤波核模型和多向双均值滤波核模型；2)利用多向双高斯滤波核模型求SAR图像梯度，获取阈值化高斯边缘强度图与边缘梯度图；3)生成阈值化均值边缘强度图；4)使用阈值化均值边缘强度图修正阈值化高斯边缘强度图，得到阈值化边缘强度图；5)对阈值化边缘强度图进行非极大抑制操作，对操作结果再进行滞后阈值操作，得到边缘检测结果。本发明有效提高了SAR图像边缘检测结果的准确性，且通过使用简单的比值运算与减法运算代替巴氏系数运算，明显降低了计算复杂度，减少消耗的时间。
-
公开(公告)号：CN113436218A
公开(公告)日：2021-09-24
申请号：CN202110856884.0
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法，主要解决现有技术漏检、错检，且检测的时间成本较高问题。包括：1)生成多向双高斯滤波核模型和多向双均值滤波核模型；2)利用多向双高斯滤波核模型求SAR图像梯度，获取阈值化高斯边缘强度图与边缘梯度图；3)生成阈值化均值边缘强度图；4)使用阈值化均值边缘强度图修正阈值化高斯边缘强度图，得到阈值化边缘强度图；5)对阈值化边缘强度图进行非极大抑制操作，对操作结果再进行滞后阈值操作，得到边缘检测结果。本发明有效提高了SAR图像边缘检测结果的准确性，且通过使用简单的比值运算与减法运算代替巴氏系数运算，明显降低了计算复杂度，减少消耗的时间。
-
公开(公告)号：CN109063760B
公开(公告)日：2021-06-08
申请号：CN201810808001.7
申请日：2018-07-22
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题，实现步骤为：构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，并初始化模型的相关参数；对待分类的极化SAR图像进行Lee滤波；对滤波后的极化SAR图像进行预处理；获取训练数据集；将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；对极化SAR图像进行分类。
-
公开(公告)号：CN110533679A
公开(公告)日：2019-12-03
申请号：CN201910688034.7
申请日：2019-07-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，主要解决现有技术合成孔径雷达SAR图像边缘检测不准确以及耗时长的问题。其实现步骤如下：(1)生成含有48个伽柏卷积核的卷积核模型；(2)计算每个卷积核对应的卷积图；(3)通过计算卷积图获得图像的梯度边缘；(4)计算每个卷积核对应的对数变换卷积图；(5)通过计算对数变换边缘卷积图获得图像的比率边缘；(6)将梯度边缘和比率边缘进合并，从而得到最终的SAR图像边缘检测结果。本发明得到了良好SAR图像的边缘检测结果，可用于SAR图像的地形检测，灾害探测。
-
公开(公告)号：CN110245709A
公开(公告)日：2019-09-17
申请号：CN201910526990.5
申请日：2019-06-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度学习和自注意力机制的3D点云数据语义分割方法，用于解决现有技术中存在的分割精度较低的技术问题，实现步骤包括：(1)获取训练集和验证集；(2)构建深度学习和自注意力机制的3D点云数据语义分割网络；(3)设置训练深度学习和自注意力机制的3D点云数据语义分割网络所需的损失函数；(4)对深度学习和自注意力机制的3D点云数据语义分割网络进行监督训练；(5)获取3D点云数据测试集的语义分割结果。本发明在深度学习网络中加入了自注意力模块，能够更好地提取包含各个特征通道之间关系的深层特征，从而提高分割精度。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.027 seconds)
