-
公开(公告)号：CN112529414B
公开(公告)日：2023-08-01
申请号：CN202011458875.8
申请日：2020-12-11
Applicant: 西安电子科技大学
IPC: G06F16/9536 , G06F18/241 , G06N3/045 , G06N3/048 , G06N3/082 , G06F18/214
Abstract: 本发明公开了一种基于多任务神经协同过滤网络的物品评分方法，其实现步骤为：(1)构建特征矩阵；(2)构建用户‑物品评分矩阵；(3)生成训练集；(4)构建多任务神经协同过滤网络；(5)训练多任务神经协同过滤网络；(6)评分。本发明提出的方法能有效解决现有物品评分方法中模型过拟合、泛化能力差导致物品评分准确性不高的问题，并且能够解决用户基本信息与物品属性信息使用不充分导致物品评分个性化不高的问题。
-
-
公开(公告)号：CN113343943B
公开(公告)日：2023-04-28
申请号：CN202110823193.0
申请日：2021-07-21
Applicant: 西安电子科技大学
IPC: G06V40/18 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于巩膜区域监督的眼部图像分割方法，主要解决传统方法分割精度低的问题。其方案为：通过残差网络提取巩膜区域的高维特征；利用该高维特征对原眼部图像的高维特征进行注意力调整；对调整后的原眼部图像的高维特征进行编码得到编码语义特征；通过跨连接激励对编码语义特征进行改善，并将其输入到解码器进行解码得到解码语义特征；对解码语义特征进行通道调整，输出初步分割结果；计算初步分割结果与分割标签的总损失，并通过将其与设置阈值的比较，判断是否需要对所有的滤波器、编码器和解码器进行优化，输出瞳孔、虹膜和巩膜的最终分割结果。本发明提高了分割精度，可用于人眼定位、眨眼检测、改善视线估计、瞳孔变化监测。
-
公开(公告)号：CN110223323B
公开(公告)日：2022-03-04
申请号：CN201910473963.6
申请日：2019-06-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度特征自适应相关滤波的目标跟踪方法，主要解决当目标模糊、目标发生遮挡导致跟踪失败的跟踪问题。本发明实现的步骤如下：(1)确定待跟踪目标的初始位置；(2)提取深度特征；(3)构建第一帧自适应相关滤波器模型；(4)预测下一帧帧图像的目标位置；(5)更新自适应相关滤波器参数；(6)更新自适应相关滤波器的权值；(7)判断当前帧视频图像是否为待跟踪视频图像序列的最后一帧视频图像，若是，则执行步骤(8)，否则，执行步骤(4)；(8)结束对待跟踪目标的跟踪。本发明通过基于深度特征自适应相关滤波的目标跟踪方法，预测待跟踪目标位置。
-
公开(公告)号：CN110084836B
公开(公告)日：2022-03-04
申请号：CN201910341675.5
申请日：2019-04-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度特征分层响应融合的目标跟踪方法，主要解决现有技术在当目标发生严重遮挡、背景杂乱时，导致跟踪失败的问题。其实现步骤为：1)确定待跟踪目标初始位置，计算第一帧相关滤波器的候选区域目标特征和候选区域循环特征矩阵；2)读取下一帧目标图像，并通过前一帧相关滤波器模板计算目标图像特征响应矩阵，根据该矩阵最大值预测待跟踪目标位置；3)更新相关滤波器模板；6)判断图像是否为待跟踪视频序列的最后一帧图像，若是，结束跟踪，否则返回2)。本发明能在待跟踪目标发生严重遮挡时，利用细节置信图中的背景信息预测待跟踪目标位置，提高了跟踪的准确度，可用于视频监控、机器人导航和定位，无人驾驶的跟踪。
-
Patent Agency Ranking
公开(公告)号：CN110097009B
公开(公告)日：2021-07-06
申请号：CN201910368524.9
申请日：2019-05-05
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于双相关滤波和隶属度加权决策的深度目标跟踪方法，用于解决现有技术中存在的目标定位准确率较低的技术问题，并提高跟踪速度，实现步骤为：(1)构建多个基于双相关的相关滤波器模型；(2)设定包含待跟踪目标的图像序列参数；(3)对每个相关滤波器的隶属度进行初始化；(4)获取n个基于双相关的相关滤波器模型W1,W2,...Wk...,Wn的值；(5)计算每个相关滤波器对第t+1帧图像中待跟踪目标的中心位置的估计值；(6)基于隶属度加权决策方法计算t+1帧图像中待跟踪目标的中心位置(xt+1,yt+1)；(7)获取深度目标跟踪结果；(8)计算每个相关滤波器的隶属度并执行步骤(4)。
-
公开(公告)号：CN112053384A
公开(公告)日：2020-12-08
申请号：CN202010883760.7
申请日：2020-08-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边界框回归的目标跟踪方法，主要解决因传统的相关滤波器预测的目标区域不准确的问题，本发明实现的步骤如下：计算连续分辨率的空间特征图；计算相关滤波器；构建边界框回归模型；回归预测的目标位置；将调整后的目标区域位置作为对于目标跟踪的结果；判断当前帧视频图像是否为待跟踪视频图像序列的最后一帧图像，若是，则执行下一步，否则，用下一帧从头开始执行；结束对待跟踪目标的跟踪。本发明通过构造边界框回归行，更准确地预测了目标区域的位置信息，也通过三次线性插值的方式丰富了神经网络对目标区域提取到的特征，最终实现了准确的目标跟踪。
-
公开(公告)号：CN112052893A
公开(公告)日：2020-12-08
申请号：CN202010904002.9
申请日：2020-09-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的半监督图像分类方法，用于解决现有技术中存在的因网络提取的特征缺乏辨识度与多样性导致的分类精度较低的技术问题，实现步骤为：获取训练样本集和测试样本集；搭建生成对抗网络模型；对生成对抗网络模型进行迭代训练；获取半监督图像分类结果。本发明利用特征金字塔网络融合不同层级提取到的特征，通过生成对抗网络的博弈过程提高模型的分类能力，增加了特征的辨识度与多样性，能够更丰富的表征分类图像的类间特征，提高了图像分类精度，并能够在只含有少量精确标注样本的样本集上获得很好的图像分类效果，可用于实际场景中目标分类。
-
公开(公告)号：CN111832650A
公开(公告)日：2020-10-27
申请号：CN202010672056.7
申请日：2020-07-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络局部聚合编码半监督的图像分类方法，具体实现步骤为：(1)生成训练集；(2)构建生成器网络；(3)训练生成器网络；(4)构建局部聚合编码半监督分类网络；(5)训练局部聚合编码半监督分类网络；(6)判断局部聚合编码半监督分类网络的当前损失值是否接近0.5，若是，执行步骤(7)，否则，执行步骤(3)；(7)得到生成对抗网络；(8)对待分类图像进行分类。本发明通过构建局部聚合编码半监督分类网络，降低了网络复杂度，提高了对类别间特征的辨识度，能够在只含有少量精确标注样本的样本集上获得很好的分类效果。
-
公开(公告)号：CN110516727A
公开(公告)日：2019-11-29
申请号：CN201910766635.5
申请日：2019-08-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 一种基于FPGA深度边缘滤波器的高光谱图像分类方法，主要解决现有技术中高光谱图像分类速度慢、功耗高和分类精度低的问题。本发明具体步骤如下：1)输入待分类高光谱图像；2)对待分类高光谱图像进行预处理；3)对预处理后的高光谱图像进行降维操作；4)用深度边缘滤波器进行深度边缘滤波；5)生成训练集和测试集；6)构建高光谱图像分类网络；7)训练高光谱图像分类网络；8)对测试集进行分类。本发明采用深度边缘滤波器，并利用现场可编程门阵列FPGA和OpenCL异构计算框架对测试集进行分类，具有针对高光谱图像分类问题速度快、功耗低和精度高的优点。
-
-
-
-
-
-
-
-
-
Search Results
323
records
(took 0.032 seconds)
