-
公开(公告)号：CN112668648B
公开(公告)日：2023-06-20
申请号：CN202011587399.X
申请日：2020-12-29
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047
Abstract: 本发明公开了一种基于对称融合网络的红外和可见光船只精确识别方法，对已有的红外图像和可见光图像数据集分别进行图像各自深层特征提取，获得红外图像特征图和可见光图像特征图；分别对红外图像特征图和可见图光像特征图进行张量拼接和特征融合，获得红外融合图像和可见光融合图像；根据权重偏移系数调整红外融合图像和可见光融合图像中红外和可见光的特征比例，获得最终的检测识别结果。本发明设计自适应权值分配模块，引入注意力机制，对提取到的特征进行了权值分配，提升精度。
-
公开(公告)号：CN110889843B
公开(公告)日：2023-04-18
申请号：CN201911199605.7
申请日：2019-11-29
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06F18/21 , G06N3/0464
Abstract: 本发明公开了一种基于最大稳定极值区域的SAR图像舰船目标检测方法，该方法首先通过引力场增强法对SAR图像进行滤波，在抑制海杂波的同时增强舰船目标；然后，使用基于最大稳定极值检测方法通过目标区域模式特征得到候选目标位置；最后为了消除复杂海况下分布模型的失配风险，采用区域分块的加速核密度估计方法，根据统计特性得到目标的统计意义下的精检测结果。引力场增强技术预处理图像确保了最大稳定极值区域检测的稳定性，同时基于区域分块的加速核密度估计的检测器保证了检测结果的恒虚警率特性，与传统高分辨舰船目标检测方法相比，具有简单、高效和准确的特性。
-
公开(公告)号：CN111027626B
公开(公告)日：2023-04-07
申请号：CN201911263125.2
申请日：2019-12-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于可变形卷积网络的流场识别方法，所述通过已有数据集对预训练网络进行预训练；将预训练网络的全连接层更换成卷积层，通过迁移学习思想，将预训练后获得的权重参数迁移到流场识别模型中；通过所述流场识别模型对图像进行逐像素分类实现流场识别。本发明首先，利用预训练网络对已有数据集进行图像深层特征提取，并不断迭代学习，自动调整网络参数；其次，将预训练网络的全连接层更换成卷积层，并利用迁移学习思想，将预训练得到的权重参数迁移到识别模型中；最后，在网络中引入可变形卷积提取图像特征，并通过密集预测对图像进行逐像素分类，实现流场识别。
-
公开(公告)号：CN115439431A
公开(公告)日：2022-12-06
申请号：CN202211041079.3
申请日：2022-08-29
Applicant: 西安电子科技大学
Abstract: 本申请公开了一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，该方法针对高光谱图像数据量大且冗余信息多的问题，以不影响算法检测精度为前提，对高光谱图像进行特征提取，本发明通过对自编码器的网络结构与损失函数进行改进优化，提升网络对高光谱图像的特征提取能力，并选取自编码器网络的中间隐藏层结果作为输出来降低冗余计算量，最后使用协同表示算法得到最终异常检测结果。与多种代表算法相比，该方法具有更好的检测性能。
-
公开(公告)号：CN114862690A
公开(公告)日：2022-08-05
申请号：CN202210278178.7
申请日：2022-03-21
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种用于红外图像超分辨率增强的图像盲退化方法，方法包括：获取红外图像；在1至N之间生成一个随机数R，其中，N为退化方式的总数量；从N种所述退化方式中随机选取R种所述退化方式；对R种所述退化方式进行随机排序；按照随机排序的顺序，依次利用R种所述退化方式对所述红外图像进行处理，得到处理后的红外图像；对步骤5处理后的红外图像添加椒盐噪声，以得到红外退化图像。本发明由于采用多种模糊方式与噪声方式(含椒盐噪声)进行红外图像退化模拟，比现有所采用方法得到的红外图像退化方式更为实际，同时本发明对红外图像退化过程采用重随机排序操作，大幅扩展了红外图像的退化空间，弥补了现有方法退化单一的不足。
-
Patent Agency Ranking
公开(公告)号：CN114821462A
公开(公告)日：2022-07-29
申请号：CN202210319406.0
申请日：2022-03-29
Applicant: 西安电子科技大学
IPC: G06V20/52 , G06V20/17 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支并行混合空洞编码神经网络的目标检测方法，包括：获取待测图像；将待测图像输入至训练完成的多分支并行混合空洞编码神经网络中，得到待测图像的最终检测结果。本发明的目标检测方法，通过训练完成的多分支并行混合空洞编码神经网络，对无人机拍摄得到的待测图像进行目标检测，该多分支并行混合空洞编码神经网络利用并行混合空洞编码神经网络对输入图像进行特征提取，同时利用解码预测网络和注意力无锚预测网络得到两个检测结果，通过对两个检测结果的融合得到最终检测结果，该目标检测方法能够提高无人机对地面小目标的检测精度，尤其对密集、遮挡场景下小目标的漏检及误检现象进行改善。
-
公开(公告)号：CN114779209A
公开(公告)日：2022-07-22
申请号：CN202210311588.7
申请日：2022-03-28
Applicant: 西安电子科技大学
IPC: G01S7/48
Abstract: 本发明公开了一种激光雷达点云体素化方法，包括：步骤1：获取原始点云数据并将其划分为若干体素；步骤2：设置降采样阈值和动态增量；步骤3：对于任一体素，若判断该体素内点的个数超过所述降采样阈值，则根据所述动态增量确定该体素最后的保留点数，并根据所述保留点数对该体素进行降采样处理；否则，保留当前体素内的所有点，不对其进行降采样处理；步骤4：重复步骤3，直至完成所有体素的处理，得到体素化后的点云。本发明提供的激光雷达点云体素化方法使得在原始点云分布极不均匀的情况下，尽可能的保留原始信息，从而取得更好体素化的效果。
-
公开(公告)号：CN108665481B
公开(公告)日：2022-05-31
申请号：CN201810259132.4
申请日：2018-03-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种多层深度特征融合的自适应抗遮挡红外目标跟踪方法，首先，获得一系列相同尺寸不同层级的多层深度特征图；然后，根据相关滤波将所述多层深度特征图从时域转换到频域，并且根据快速傅里叶变换进行滤波器训练和响应图计算，再根据层内特征加权融合对多层深度特征图进行合并降维处理，构建出不同层级的特征响应图并且求出最大相关响应值即为目标估计位置；最后，对目标稠密特征进行提取，根据相关滤波获得特征最大响应值，获得通过深度卷积特征所估计的目标中心位置的响应置信度；当所述目标中心位置的响应置信度小于重检测阈值T0时，通过在线目标重检测对获得的目标估计位置进行评估并且根据评估结果对目标的位置进行自适应更新。
-
公开(公告)号：CN110570365B
公开(公告)日：2022-04-29
申请号：CN201910720005.4
申请日：2019-08-06
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于先验信息的图像去雾方法，根据暗通道先验结合远景浓雾区域像素点估计大气光值；根据色彩衰减先验分别确定远景浓雾区域像素点和近景薄雾区域像素点对应的大气透射率；根据暗通道先验确定近景薄雾区域像素点对应的大气透射率；确定去雾后的远景浓雾区域像素点对应的像素值和近景薄雾区域像素点对应的像素值；将所述去雾后的远景浓雾区域像素点对应的像素值和去雾后的近景薄雾区域像素点对应的像素值进行区域组合获得去雾后的图像。本发明通过改进暗通道先验和色彩衰减先验去雾算法在去雾应用中的不足，对于多种场景下的薄雾图像均有良好的去雾效果。
-
公开(公告)号：CN113936136A
公开(公告)日：2022-01-14
申请号：CN202111122583.1
申请日：2021-09-24
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06K9/62 , G06N3/04
Abstract: 本申请公开了一种基于深度学习融合通道混洗的红外目标检测方法，该方法包括：将原始图像输入预设网络，提取原始图像的特征图；将特征图输入候选框生成层；将特征图输入RPN网络，确定候选框，并输出候选框至候选框生成层；候选框生成层将候选框在输入特征图进行映射，得到候选框特征图；将候选框特征图通过池化层调整为固定大小的固定特征图；将固定特征图输入至完全连接层，固定特征图通过softmax层输出类别，固定特征图通过线性回归层输出对应的边界框，得到原始图像的目标检测结果图。该方案在提高检测速度的同时保证了检测的精度。
-
-
-
-
-
-
-
-
-
Search Results
263
records
(took 0.032 seconds)
