-
公开(公告)号：CN110516718A
公开(公告)日：2019-11-29
申请号：CN201910740748.8
申请日：2019-08-12
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于深度嵌入空间的零样本学习方法，用于解决现有零样本学习方法泛化能力差的技术问题。技术方案是通过深度学习技术来学习一个有效地深度中介嵌入空间，通过所训练好的深度网络同时将已知类别与未知类别的语义类别描述和图像信息描述映射到该深度中介嵌入空间中，最后通过相应的分类器对嵌入空间中的特征进行分类以获得对应的预测标签。在预测过程中，采用了映射网络自学习算法，有效地提升了泛化能力，即提高了对未知类别样本的分类准确率。
-
公开(公告)号：CN107274416B
公开(公告)日：2019-11-01
申请号：CN201710442878.4
申请日：2017-06-13
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于光谱梯度与层次结构的高光谱图像显著性目标检测方法，用于解决现有高光谱图像显著性目标检测方法计算量大的技术问题。技术方案是首先生成光谱梯度图；再生成图像分割区域；建立基于图像层次结构的显著性检测模型；再建立基于背景先验及边缘特征的显著性计算方法；计算显著图结果。由于通过在原始高光谱图像的光谱维上计算光谱梯度，提取图像的光谱梯度特征，以减弱光照不均带来的不利影响。使用简单线性迭代聚类算法(Simple Linear Iterative Clustering，SLIC)生成超像素，对高光谱图像进行分割并加速计算进程，通过计算分割区域间的光谱特征对比度来衡量其显著性，计算量小。
-
公开(公告)号：CN110321941A
公开(公告)日：2019-10-11
申请号：CN201910551561.3
申请日：2019-06-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种可鉴别性特征学习的高光谱图像压缩和分类方法，用于解决现有高光谱图像压缩和分类方法实用性差的技术问题。技术方案是包含两路分支结构的端到端压缩分类网络。一路为堆栈自编码的模块，用以进行数据可鉴别性特征的学习，其中编码器用于进行特征压缩，解码器用于特征解压缩。所有的数据都经过编码器和解码器计算均方误差损失函数；另一路为分类模块，用以进行可鉴别特征的分类，编码器和分类器使用了一个共享的模块，分类器利用编码器得到的可鉴别性压缩特征进行分类，完成一个端对端的特征压缩和分类任务。本发明共享编码器模块不仅能得到具有可鉴别性的特征，而且能依据可鉴别性的特征高效进行高光谱图像分类任务，实用性好。
-
公开(公告)号：CN110309868A
公开(公告)日：2019-10-08
申请号：CN201910550804.1
申请日：2019-06-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种结合无监督学习的高光谱图像分类方法，用于解决现有高光谱图像分类方法分类精度低的技术问题。技术方案是针对卷积神经网络模型在训练样本较少时存在过拟合的技术问题，利用无监督数据来约束卷积神经网络模型，使其在训练样本较少时能减小训练过拟合的风险。为了更好地学习无监督信息，采用一个两路分支网络，通过一个共享的特征提取模块，独立地对带标签数据和无标签数据进行特征映射，使得共享的特征提取模块可以学习到高光谱数据的无监督信息(类内相似性和类间差异性)，从而更好地辅助高光谱图像分类任务，提高高光谱图像分类精度。
-
公开(公告)号：CN105825200B
公开(公告)日：2019-01-15
申请号：CN201610196286.4
申请日：2016-03-31
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法，用于解决现有高光谱异常目标检测方法目标检测效率低的技术问题。技术方案是在基于局部RX算法选择初始背景像元后，利用主成分分析字典学习法学习得到鲁棒性的背景字典。在稀疏向量求解和图像重建过程中，引入重加权拉普拉斯先验，提高稀疏向量求解精度。最后，根据原始图像与重建图像之间的误差实现异常目标的精确提取。在真实的高光谱卫星图像AVIRIS和仿真的高光谱数据集上的试验结果表明，本发明获得的检测结果相对于背景技术在恒虚警率的前提下检测率提高了8％～15％。
-
Patent Agency Ranking
公开(公告)号：CN105427351B
公开(公告)日：2018-12-14
申请号：CN201510731267.2
申请日：2015-11-02
Applicant: 西北工业大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于流形结构化稀疏先验的高光谱图像压缩感知方法，用于解决现有高光谱图像压缩感知方法精度低的技术问题。技术方案是随机采样每个像素光谱的少量线性观测值作为压缩数据，通过流形结构化稀疏先验，同时刻画高光谱图像稀疏化后光谱维中的稀疏性和空间维中的流形结构；通过隐变量贝叶斯模型，将信号重建，稀疏先验学习以及噪声估计统一到一个正则化回归模型进行优化求解。学习得到的稀疏先验既能充分地刻画高光谱图像的三维结构，又具有较强的噪声鲁棒性。利用该稀疏先验，实现了高光谱图像的高精度重建。据测试，当在压缩数据中加入高斯白噪声使得压缩数据信噪比为15db，采样率为0.09时，获得了23db的峰值信噪比。
-
公开(公告)号：CN108491864A
公开(公告)日：2018-09-04
申请号：CN201810163343.8
申请日：2018-02-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。首先，用K-means算法对多组不同大小的图像块样本进行聚类处理；然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核；最后，对自适应卷积核的卷积神经网络进行训练，并利用训练好的网络对高光谱图像进行分类。由于利用聚类处理和指标评价得到的自适应卷积核可以更加有效的表征数据信息，利用本发明方法可以得到更好的高光谱图像分类结果。
-
公开(公告)号：CN107798345A
公开(公告)日：2018-03-13
申请号：CN201710981243.1
申请日：2017-10-20
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于块对角与低秩表示的高光谱伪装目标检测方法，用于解决现有高光谱伪装目标检测方法目标检测效率低的技术问题。技术方案是首先利用k-means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。
-
公开(公告)号：CN104734724B
公开(公告)日：2017-11-24
申请号：CN201510114261.0
申请日：2015-03-16
Applicant: 西北工业大学
IPC: H03M7/30
Abstract: 本发明公开了一种基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法，用于解决现有高光谱图像压缩感知方法重建精度低的技术问题。技术方案是随机采集每个像素光谱的少量线性观测作为压缩数据，建立基于重加权拉普拉斯稀疏先验的压缩感知模型和稀疏正则化的回归模型，对所建立的模型求解。由于随机采集少量线性观测作为压缩数据，减少了图像采集过程中的资源消耗。重加权拉普拉斯稀疏先验准确刻画了高光谱图像中的强稀疏性，克服了传统拉普拉斯稀疏先验对非零元素的非均匀约束，提高了高光谱图像的重建精度。经测试，当采样率为0.15，压缩数据中存在信噪比为10db的强噪声时，本发明的峰值信噪比相对于背景技术方法提升4db以上。
-
公开(公告)号：CN107301457A
公开(公告)日：2017-10-27
申请号：CN201710491029.8
申请日：2017-06-26
Applicant: 西北工业大学
IPC: G06N3/08
Abstract: 本发明提供了一种基于节点输入约束的全连接深度学习模型快速训练方法，将节点输入约束，引入到全连接深度学习模型训练中。首先，对网络节点输入约束值进行研究，依据激励函数的函数特性对其进行原始函数曲线、一阶导数曲线进行节点约束值分析，得到节点输入约束值；然后，在网络正向计算时节点输入中加入节点输入限制条件；最后，网络误差反向传播更新网络参数，直到网络收敛。由于把节点输入限制环节加入到了神经网络正向传播环节，有效的实现了网络训练的快速收敛，本发明方法实现简单，参数易于设置。
-
-
-
-
-
-
-
-
-
Search Results
149
records
(took 0.037 seconds)
