-
公开(公告)号：CN106301888A
公开(公告)日：2017-01-04
申请号：CN201610601198.8
申请日：2016-07-27
Applicant: 西安电子科技大学
IPC: H04L12/24
CPC classification number: H04L41/12 , H04L41/0893 , H04L41/142 , H04L41/145
Abstract: 本发明公开了一种基于核节点和社区融合策略的网络社区划分方法，主要解决现有社区融合算法中目标函数本身存在的分辨率问题。其实现步骤是：1)读入一幅网络图S，并生成网络图S对应的邻接矩阵A；2)根据邻接矩阵A计算网络中每个节点的节点度，并查找网络核节点集合C；3)根据相似度函数值F更新网络节点标签集合f′；4)根据网络节点标签集合f′得到网络社区标签集合f；5)基于改进模块密度增量ΔD对当前网络中的社区进行迭代社区融合，输出最终网络节点标签集合fz。本发明具有节点信息利用率高和社区分辨率高的优点，可用于社区检测。
-
公开(公告)号：CN119740061A
公开(公告)日：2025-04-01
申请号：CN202411926912.1
申请日：2024-12-25
Applicant: 西安电子科技大学
IPC: G06F18/2323 , G06F18/20 , G06F18/25 , G06N3/042 , G06N3/0455 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于特征对抗和图Transformer的自适应图聚类方法，属于图像处理技术领域，原始图通过特征对抗自编码器模块优化表征特征匹配先验分布，得到属性级特征；所述特征对抗自编码器模块包括自编码器和特征对抗模块；原始图通过图Transformer自编码器模块，进行图的局部特征与全局结构的交汇融合和信息传播，得到结构级特征；对来自特征对抗自编码器模块和图Transformer自编码器模块的属性级和结构级双源特征进行自适应融合，完成图聚类；在特征对抗自编码器模块和图Transformer自编码器模块的训练采用自监督学习方式；结合联合优化损失函数指导图表示学习和聚类分配的联合优化，所述联合优化损失包括特征对抗损失函数、优化损失函数和自监督学习损失函数，所述特征对抗损失函数包括自编码器的特征重构损失函数和特征对抗模块的最小化交叉熵损失优化函数。
-
Patent Agency Ranking
公开(公告)号：CN113436218B
公开(公告)日：2023-02-10
申请号：CN202110856884.0
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法，主要解决现有技术漏检、错检，且检测的时间成本较高问题。包括：1)生成多向双高斯滤波核模型和多向双均值滤波核模型；2)利用多向双高斯滤波核模型求SAR图像梯度，获取阈值化高斯边缘强度图与边缘梯度图；3)生成阈值化均值边缘强度图；4)使用阈值化均值边缘强度图修正阈值化高斯边缘强度图，得到阈值化边缘强度图；5)对阈值化边缘强度图进行非极大抑制操作，对操作结果再进行滞后阈值操作，得到边缘检测结果。本发明有效提高了SAR图像边缘检测结果的准确性，且通过使用简单的比值运算与减法运算代替巴氏系数运算，明显降低了计算复杂度，减少消耗的时间。
-
公开(公告)号：CN113436218A
公开(公告)日：2021-09-24
申请号：CN202110856884.0
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法，主要解决现有技术漏检、错检，且检测的时间成本较高问题。包括：1)生成多向双高斯滤波核模型和多向双均值滤波核模型；2)利用多向双高斯滤波核模型求SAR图像梯度，获取阈值化高斯边缘强度图与边缘梯度图；3)生成阈值化均值边缘强度图；4)使用阈值化均值边缘强度图修正阈值化高斯边缘强度图，得到阈值化边缘强度图；5)对阈值化边缘强度图进行非极大抑制操作，对操作结果再进行滞后阈值操作，得到边缘检测结果。本发明有效提高了SAR图像边缘检测结果的准确性，且通过使用简单的比值运算与减法运算代替巴氏系数运算，明显降低了计算复杂度，减少消耗的时间。
-
公开(公告)号：CN119672440A
公开(公告)日：2025-03-21
申请号：CN202411903565.0
申请日：2024-12-23
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V20/10 , G06V10/44 , G06V10/80 , G06N3/045 , G06N3/08
Abstract: 本发明公开了基于原型掩码对比和跨阶段特征细化的小样本HSI分类方法，方法包括：交叉在源域和目标域进行元任务训练，每次元任务将支持集和查询集的样本进行光谱维度统一后，进行抗邻近像素依赖的多维度特征融合，得到支持特征和查询特征；构建每次元任务下代表原型的正负样本对并通过图卷积进行原型掩码对比；基于跨域共享的多层感知机的强调映射进行对特征消除冗余的细化，多层感知机和定向校准协调对支持特征和查询特征进行跨阶段特征细化，得到细化支持特征和细化查询特征，两个训练阶段优化不同的损失；测试阶段使用目标域的小样本，依次通过维度统一映射、特征提取模块、多层感知机后提取的特征，训练K近邻分类器进行分类预测。
-
公开(公告)号：CN118334415A
公开(公告)日：2024-07-12
申请号：CN202410409862.3
申请日：2024-04-07
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09 , G06N3/096
Abstract: 本发明提出了一种基于自适应学习和通道放大知识蒸馏的PolSAR图像分类方法，实现步骤为：获取训练和测试样本集；构建基于自适应学习和通道放大知识蒸馏的PolSAR图像分类网络模型；对图像分类网络模型进行迭代训练；获取PolSAR图像分类结果。本发明通道放大模块通过放大后的通道权重和第二Block输出的特征图计算特征增强后的特征图，可以对特征图中的相似信息进行有效区别；通过教师网络和学生网络蒸馏后每个训练样本在每个目标类别上的预测概率计算的KL散度损失值函数，并通过总损失对学生网络的参数进行更新，降低了计算的复杂度，且自适应损失权重学习模块能够增强网络的自我调节能力，有效提高了分类效率。
-
公开(公告)号：CN118097294A
公开(公告)日：2024-05-28
申请号：CN202410313085.2
申请日：2024-03-19
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06V10/44 , G06V10/80 , G06V10/26 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于均匀图引导融合的极化SAR图像分类方法，主要解决现有技术在均匀区域和复杂区域分类效果不佳的问题。方案包括：1)输入待分割的极化SAR图像及其相干矩阵；2)计算平均相干矩阵，并对其进行卷积操作获取复杂度特征；3)对相干矩阵使用极化分解方法扩充极化特征，得到图像数据X；4)使用SLIC对X进行超像素分割并生成映射矩阵，同时利用超像素生成节点数据表示图；5)计算X的超像素均匀度向量，构造均匀度权重矩阵；6)搭建由CNN与GCN组成的混合网络模型并利用前述计算结果对其进行训练；7)通过训练后模型获取最终分类结果。本发明能够有效提升小目标点和纤细区域的分类效果。
-
-
-
-
-
-
Search Results
17
records
(took 0.027 seconds)
