-
公开(公告)号：CN110516700A
公开(公告)日：2019-11-29
申请号：CN201910648466.5
申请日：2019-07-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于度量学习的细粒度图像分类方法，实现的步骤是：(1)构建单阶段多盒检测网络SSD；(2)生成训练集；(3)构建两输入-三输出网络；(4)训练两输入-三输出网络；(5)对细粒度图像中的目标进行分类。本发明构建了两输入-三输出网络，在生成训练集时对细粒度图像中的目标进行检测并按照矩形框的尺寸选取图像内容，克服了现有技术训练网络时需要借助物体标注框和部位标注点，对细粒度图像进行分类时需要提供图像标注框，分类过程繁琐的问题，使得本发明能够自动检测到细粒度图像中的目标，而且本发明可对任意细粒度图像进行分类，应用范围更加广泛。
-
公开(公告)号：CN110516560A
公开(公告)日：2019-11-29
申请号：CN201910718212.6
申请日：2019-08-05
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于FPGA异构深度学习的光学遥感图像目标检测方法，主要解决现有技术中光学遥感图像目标检测中误检率高、鲁棒性差、功耗高的问题。实现步骤为：构建遥感图像训练数据集；构建基于多尺度特征交叉融合的目标检测网络；利用训练数据集训练该目标检测网络，得到目标权重；对该目标检测网络依次进行高级语言描述和编译，得到SOF可执行文件；在FPGA上运行上述得到的可执行文件，得到检测结果。本发明构建的网络，使用颜色空间转换和多尺度特征交叉融合，改善了因外界光线环境变化及目标小造成的误检和漏检，且选用FPGA作为加速平台，降低了网络运行功耗，可应用于对光学遥感图像不同区域内的飞机与舰船的地物识别。
-
公开(公告)号：CN110298414A
公开(公告)日：2019-10-01
申请号：CN201910616360.7
申请日：2019-07-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于去噪组合降维和引导滤波的高光谱图像分类方法，其实现步骤为：(1)读取高光谱图像数据集；(2)对数据集进行最小噪声分离变换；(3)对分离变换后的结果进行组合降维；(4)使用主成分分析降维得到引导滤波输入图像，使用独立成分分析降维得到引导图像；(5)将包含信息量最多的若干主成分作为输入图像，将包含统计信息最多第一独立成分作为引导图像；(6)应用依次增加的滤波半径进行引导滤波得到多尺度空间特征；(7)利用支持向量机进行分类。本发明主要解决了现有技术对空间特征利用不充分及小数量样本分类难的问题，降低了计算复杂度，提高了分类效果。
-
公开(公告)号：CN110223323A
公开(公告)日：2019-09-10
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：CN110097009A
公开(公告)日：2019-08-06
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)。
-
Patent Agency Ranking
公开(公告)号：CN106056146B
公开(公告)日：2019-03-26
申请号：CN201610364295.X
申请日：2016-05-27
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开一种基于逻辑回归的视觉跟踪方法,主要解决现有技术容易积累跟踪误差，遮挡条件下性能降低的问题。其实现方案是：1.通过对样本取Haar‑like特征构建一系列服从高斯分布的弱分类器；2.采用逻辑回归模型从一系列弱分类器中选出部分性能较好的弱分类器，并对弱分类器进行加权求和构建一个强分类器；3.通过强分类器预测目标位置；4.通过异常判断决定是否更新弱分类器高斯分布参数，从而适应跟踪过程中目标和场景的变化。本发明与现有Adaboost算法相比，能够快速准确地获取弱分类器的全局最优子集，从而正确更新分类器参数、避免跟踪偏移，提高了跟踪性能，可用于机器人导航、人机交互、虚拟现实。
-
公开(公告)号：CN108876816A
公开(公告)日：2018-11-23
申请号：CN201810550413.5
申请日：2018-05-31
Applicant: 西安电子科技大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于自适应目标响应的目标跟踪方法，主要解决当目标发生外观形变、光照变化导致跟踪失败的跟踪问题。本发明实现的步骤如下：(1)确定待跟踪目标初始位置(2)计算相关滤波器权值；(3)预测目标框位置；(4)预测待跟踪目标尺寸；(5)构建自适应目标响应矩阵；(6)更新位移滤波器权值；(7)判断当前帧图像是否为待跟踪视频序列的最后一帧图像，若是，则执行步骤(8)，否则，执行步骤(3)；(8)结束跟踪。本发明通过基于自适应目标响应的目标跟踪方法，能够利用自适应目标响应计算位移滤波器权值，预测待跟踪目标位置和大小。
-
公开(公告)号：CN108830195A
公开(公告)日：2018-11-16
申请号：CN201810549729.2
申请日：2018-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于现场可编程门阵列FPGA的图像分类方法，实现的步骤是：(1)获取测试数据集；(2)获取训练数据集；(3)搭建一个含有10个卷积层，3个最大池化层，1个平均池化层和一个柔性最大值softmax层共15层的卷积神经网络；(4)设置卷积神经网络中各层的内核参数；(5)利用训练数据集训练卷积神经网络；(6)将测试图片输入到卷积神经网络中，对测试数据集进行分类；(7)计算测试数据集的准确率。本发明可用在现场可编程门阵列FPGA上实现对光学图像，SAR图像，自然图像进行分类。
-
公开(公告)号：CN108802697A
公开(公告)日：2018-11-13
申请号：CN201810315242.8
申请日：2018-04-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种脉冲多普勒雷达信号的混合并行处理方法，实现的具体步骤是：(1)初始化多核CPU的处理线程；(2)在多核CPU端开辟雷达信号处理所需的内存空间；(3)雷达系统采集并存储数据(4)数据解析；(5)处理多通道数据(6)多通道数据混合并行处理同步。本发明可以在多核CPU端实现脉冲多普勒雷达信号的实时处理，缩短了雷达系统的升级周期，提高了雷达系统的可扩展性。
-
公开(公告)号：CN108537822A
公开(公告)日：2018-09-14
申请号：CN201810315261.0
申请日：2018-04-10
Applicant: 西安电子科技大学
IPC: G06T7/223
Abstract: 本发明公开了一种基于加权置信度估计的运动目标跟踪方法，主要解决当目标发生外观形变、光照变化而导致跟踪失败的跟踪问题。本发明实现的步骤如下：(1)确定运动待跟踪目标的初始位置；(2)读取视频图像；(3)对图像块进行采样；(4)计算图像块跟踪后的似然值；(5)计算图像块在待跟踪目标处的观测似然值；(6)预测待跟踪目标的位置和大小；(8)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(2)；(8)结束对运动待跟踪目标的跟踪。本发明通过加权置信度估计的方法，能够利用准确的置信度值，预测待跟踪目标位置和大小。
-
-
-
-
-
-
-
-
-
Search Results
323
records
(took 0.033 seconds)
