-
公开(公告)号：CN101794396A
公开(公告)日：2010-08-04
申请号：CN201010132673.4
申请日：2010-03-25
Applicant: 西安电子科技大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于迁移网络学习的遥感图像目标识别系统及方法，主要解决现有方法对当有标签的遥感图像数据很少时识别正确率较低和图像标签的获取困难且花费昂贵的问题。整个系统包括：图像特征提取模块，迁移网络分类器学习系统生成模块和迁移网络分类器学习系统学习模块。其中，图像特征提取模块，对图像完成特征提取；迁移网络分类器学习系统生成模块，对输入的样本数据采用引入迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统；迁移网络分类器学习系统学习模块，对新的样本图像特征完成分类识别。本发明具有能够利用已有其他资源提高对遥感图像目标的识别正确率，无需重新搜集数据的优点，可用于遥感图像的目标识别。
-
公开(公告)号：CN101673398A
公开(公告)日：2010-03-17
申请号：CN200910024374.6
申请日：2009-10-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于免疫稀疏谱聚类的图像分割方法，主要解决谱聚类方法稳定性差和复杂度高的问题。其实现过程是：(1)对待分割图像提取特征；(2)对特征数据进行归一化以去除数据间量级影响；(3)对归一化后的特征数据，进行实属编码；(4)对编码后的数据，随机生成初始种群并进行亲和度计算；(5)根据抗体的亲和度大小进行克隆；(6)对克隆后的抗体种群进行高斯变异并选出亲和度最高的抗体作为下一轮的输入；(7)迭代设定的最大迭代次数，得到最终选出的样本子集；(8)对选出的样本子集进行贪婪谱降维，并对降维后的数据聚类，输出最终的图像分割结果。本发明与现有的技术相比具有不需要先验知识，准确度高，计算复杂度低的优点，可用于目标检测和目标识别。
-
公开(公告)号：CN101551855A
公开(公告)日：2009-10-07
申请号：CN200910022499.5
申请日：2009-05-13
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自适应核匹配追踪辅助诊断系统及方法，它属于图像处理技术领域。整个系统包括：影像预处理模块，完成原始影像去冗余以及直方图均衡化增强处理；影像特征提取模块，对输入的影像完成灰度共生矩阵和Hu矩特征提取；影像自适应核匹配追踪分类诊断模块通过影像标识样本训练子模块、影像未标识样本测试子模块、影像自适应因子调节模块，对输入有标识的训练影像集分类诊断，采用弱势样本诊断识别率与设定的阈值比较，调整自适应因子，得到最终的训练分类器，使用最终的训练分类器对未标识的测试样本分类产生最终的诊断结果。本发明具有识别精度高、运算量小的优点，可用于对医疗卫生，普查工作，人口健康管理领域。
-
公开(公告)号：CN101551854A
公开(公告)日：2009-10-07
申请号：CN200910022497.6
申请日：2009-05-13
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种不平衡医学影像处理系统及其处理方法，它属于图像处理技术领域。整个系统包括：影像预处理模块、影像个性化切分模块、影像特征提取模块和影像核匹配追踪集成分类诊断模块。影像预处理模块完成去冗余及直方图均衡化增强处理，对处理后影像进一步完成均匀切分、不均匀切分或滑窗切分处理后，完成灰度共生矩阵和Hu矩特征提取得到有标识的训练样本集，从中抽取部分样本对单个分类器进行训练，得到各个训练分类器，采用各训练分类器对未标识测试样本分类得到分类标签，根据决策函数得到未标识测试样本的最终诊断结果。本发明具有对医学影像诊断识别率高，处理时间短的优点，可用于医务工作者评价疾病预后和治疗效果。
-
公开(公告)号：CN119579901A
公开(公告)日：2025-03-07
申请号：CN202411743965.X
申请日：2024-11-30
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/762 , G06V10/774 , G06V10/776 , G06N3/0455 , G06V10/44 , G06N3/084 , G06N3/047 , G06V10/764 , G06N3/09
Abstract: 本发明公开了基于局部一致性和伪标签过滤的遥感图像分割方法，包括以下步骤：获取光学遥感数据集；构建遥感图像分割模型，所述遥感图像分割模型包括局部一致性损失计算模块和伪标签过滤模块；将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图。提出了局部一致性损失和伪标签过滤策略，有效学习了局部一致性特征，去除了伪标签的噪声，得到了很好遥感图像分割效果，利用更多无标签遥感图像来提高遥感图像分割精度，可以对卫星获取的遥感图像进行分割，得到具有具体地物类别标签的分割图，解决遥感图像中物体密集、背景差异大、尺寸变化范围大、颜色和纹理差异大，较难得到局部一致性特征，并且伪标签中不可避免地存在大量噪声的问题。
-
Patent Agency Ranking
公开(公告)号：CN119559390A
公开(公告)日：2025-03-04
申请号：CN202411531389.2
申请日：2024-10-30
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/13 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于交叉融合的多模态遥感图像分割方法及装置，涉及图像处理技术领域。包括：构建分割模型，分割模型包括多个第一transformer层、第一FFN、第一FAN、多个第二transformer层、第二特征融合网络FFN、第二FAN、多个第三transformer层、第三FFN、第三FAN、多个第四transformer层、第四FFN、颈部网络和解码器；利用多个训练集分别对分割模型进行迭代训练；利用每轮参数和验证集保存最优的参数，获得最终的分割模型，以便通过最终的分割模型，获得待处理的多模态遥感图像的最终的分割结果。使多模态遥感图像分割的准确率较高。
-
公开(公告)号：CN115082674B
公开(公告)日：2024-09-06
申请号：CN202210816612.2
申请日：2022-07-12
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提出了一种基于注意力机制的多模态数据融合三维目标检测方法，实现步骤为：建立训练和测试样本集并对数据进行预处理；构建基于注意力机制的多模态数据融合三维目标检测网络；定义基于注意力机制的多模态数据融合三维目标检测网络的损失函数；对网络模型进行迭代训练；获取三维目标的检测结果。本发明利用特征学习网络，初步提取出一些候选区域，然后将候选区域中的点云数据、点的位置特征以及对应的图像信息进行了融合，充分利用了点云的规则化空间位置信息、点特征的精细化空间结构信息和图像的语义信息，减小了误差累积，进而提高了局部空间出现多个目标时的检测精度。
-
公开(公告)号：CN115082674A
公开(公告)日：2022-09-20
申请号：CN202210816612.2
申请日：2022-07-12
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于注意力机制的多模态数据融合三维目标检测方法，实现步骤为：建立训练和测试样本集并对数据进行预处理；构建基于注意力机制的多模态数据融合三维目标检测网络；定义基于注意力机制的多模态数据融合三维目标检测网络的损失函数；对网络模型进行迭代训练；获取三维目标的检测结果。本发明利用特征学习网络，初步提取出一些候选区域，然后将候选区域中的点云数据、点的位置特征以及对应的图像信息进行了融合，充分利用了点云的规则化空间位置信息、点特征的精细化空间结构信息和图像的语义信息，减小了误差累积，进而提高了局部空间出现多个目标时的检测精度。
-
公开(公告)号：CN108985360B
公开(公告)日：2022-04-08
申请号：CN201810698251.X
申请日：2018-06-29
Applicant: 西安电子科技大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06V10/762
Abstract: 本发明公开一种基于扩展形态学与主动学习的高光谱图像分类方法，解决现有技术不能充分挖掘高光谱图像空间信息，导致分类精度低的问题。其步骤为：1)输入高光谱图像数据；2)对数据降维，提取光谱特征，并通过形态学剖面变换，得到空间特征；3)融合空谱特征，划分训练与测试样本集；4)利用训练样本集进行SVM分类；5)主动学习循环，由MCLU准则和AP聚类选取样本标记，更新训练与测试样本集；6)利用新的训练样本集进行SVM分类，直到训练样本数量达到预设数量时停止，得到最终分类结果。本发明将多结构元素的形态学特征与主动学习相结合，充分利用空谱信息，在小样本前提下提高了分类精度。
-
公开(公告)号：CN109271865B
公开(公告)日：2021-11-09
申请号：CN201810943111.4
申请日：2018-08-17
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 一种基于散射变换多层相关滤波的运动目标跟踪方法，其步骤如下：(1)确定待跟踪目标初始位置(2)计算相关滤波器权值；(3)对下一帧图像的搜索窗区域进行非下采样散射变换；(4)计算相关滤波器最大响应值；(5)计算各层的权值损失并求得每一层的权值；(6)更新相关滤波器参数；(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。本发明通过基于散射变换多层相关滤波的运动目标跟踪方法，能够利用目标的散射描述子提取目标信息，使用多层相关滤波器获得最优结果，从而预测待跟踪目标位置。
-
-
-
-
-
-
-
-
-
Search Results
323
records
(took 0.031 seconds)
