-
公开(公告)号：CN107516082B
公开(公告)日：2019-11-22
申请号：CN201710739750.4
申请日：2017-08-25
申请人： 西安电子科技大学
摘要： 本发明公开了的一种自步学习的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术对合成孔径雷达SAR图像的斑点噪声敏感，易造成合成孔径雷达SAR图像的部分纹理信息丢失的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化；(3)构建变化检测矩阵；(4)选择训练样本集；(5)训练深度信念网络；(6)构建概率矩阵；(7)更新概率矩阵；(8)获得变化检测图像。本发明有效利用原始图像的局部信息和深度信念网络的自学习能力减少了斑点噪声，保留了图像局部信息，提高了变化检测的精度。
-
公开(公告)号：CN106296655B
公开(公告)日：2019-05-21
申请号：CN201610601199.2
申请日：2016-07-27
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于自适应权值和高频阈值的SAR图像变化检测方法，主要解决现有技术检测效果不理想，单一类型差异图检测精度低的问题。其实现步骤为：1.读入不同时刻从同一地区获取的两幅SAR图像I1和I2；2.分别计算两幅图像I1和I2对应像素的均值比差异图Dm和邻域对数比差异图Dl；3.对均值比差异图Dm和邻域对数比差异图Dl进行小波融合，得到融合后的差异图像Xd；4.将融合差异图Xd聚成不同的两类，得到变化检测结果。本发明操作简单、抗噪性好、检测精度高，对不同类型的SAR图像均能获得较好的效果，可应用于环境监测、海洋观测、灾害评估、资源勘察、城区规划和地理测绘。
-
公开(公告)号：CN106204607B
公开(公告)日：2019-05-21
申请号：CN201610561282.1
申请日：2016-07-15
申请人： 西安电子科技大学
摘要： 本发明公开的一种基于波动参数划分的SAR图像变化检测方法，主要解决现有技术斑点噪声较大，不能保持SAR图像局部信息和分类的准确度不高的问题，其技术方案是：在邻域比值算子的基础上，利用两个新的指标f1和f2来衡量位置x处的像素与其邻域Ωx像素的接近程度；通过比较两个新的指标f1，f2和波动参数h的大小来确定差异图像D在位置x处的灰度值，得到差异图像D；对差异图像D进行聚类，得到二值图像Q；更新二值图像Q得到最终检测出的二值图像R。本发明减少了斑点噪声，保留了图像局部信息和提高了分类的准确度，可应用于遥感、医疗诊断、视频监控。
-
公开(公告)号：CN109740924A
公开(公告)日：2019-05-10
申请号：CN201811640589.6
申请日：2018-12-29
申请人： 西安电子科技大学
摘要： 本发明公开一种融合属性信息网络和矩阵分解的物品评分预测方法，解决了如何更准确地对物品评分预测的问题。实现步骤有：构建属性信息网络；采集数据和信息；构建融合分解模型；初始化参数；选择评价指标和损失函数计算公式；计算预测评分矩阵；计算训练集预测评分矩阵损失；对参数优化更新得到新的预测评分矩阵；计算测试集预测评分矩阵评价指标；判断评价指标；若满足停止条件直接输出结果；否则，返回迭代计算逐渐降低损失；直至满足条件输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型，采用两种损失函数，使得物品评分预测更为准确，本发明可应用于对网上物品进行自动化的预测。
-
公开(公告)号：CN109711883A
公开(公告)日：2019-05-03
申请号：CN201811599196.5
申请日：2018-12-26
申请人： 西安电子科技大学
IPC分类号： G06Q30/02
摘要： 本发明提出了一种基于U-Net网络的互联网广告点击率预估方法，主要用以解决现有互联网广告点击率预估方法中存在的预估精度低的技术问题，包括如下步骤：获取训练数据集和测试数据集；获取原始特征索引矩阵和原始特征值矩阵；基于深度卷积神经网络U-Net构建点击率预估模型；对点击率预估模型进行训练；获取互联网广告点击率预估结果。本发明提出的基于U-Net网络的互联网广告点击率预估方法，提高了互联网广告点击率预估模型的泛化能力，加强了对互联网广告数据深层特征的提取，明显地提高了点击率预估的精度，可应用于互联网广告投放领域。
-
公开(公告)号：CN109460788A
公开(公告)日：2019-03-12
申请号：CN201811269217.7
申请日：2018-10-29
申请人： 西安电子科技大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6267 , G06K9/6256
摘要： 本发明公开了一种基于低秩-稀疏信息组合网络的高光谱图像分类方法，其实现步骤为：(1)输入高光谱图像；(2)获取高光谱图像的低秩信息和稀疏信息；(3)对低秩信息和稀疏信息进行预处理；(4)生成训练集与测试集；(5)构建低秩-稀疏信息组合网络；(6)训练低秩-稀疏信息组合网络；(7)对测试样本进行分类。本发明能有效解决传统低秩恢复分类算法由于低秩子空间估计不准确导致的分类精度下降问题，避免了复杂的低秩恢复操作，在实现较高分类精度的同时，能保持对小样本数量类别的识别能力，分类性能稳定。
-
公开(公告)号：CN108764173A
公开(公告)日：2018-11-06
申请号：CN201810548520.4
申请日：2018-05-31
申请人： 西安电子科技大学
CPC分类号： G06K9/0063 , G06K2009/00644 , G06N3/0454
摘要： 本发明公开了一种基于多类生成对抗网络的高光谱图像分类方法，其步骤如下：(1)输入高光谱图像；(2)获取样本集；(3)产生训练样本与测试样本；(4)搭建多类生成对抗网络；(5)利用生成器生成样本；(6)用判别器对训练样本和生成的样本进行分类；(7)构建生成器和判别器的损失函数；(8)交替训练生成器与判别器；(9)对高光谱图像进行分类。本发明利用搭建的多类生成对抗网络，提取像元邻域的空间特征，同时生成样本来增加样本数量，增强了网络的特征提取能力，缓解了网络过拟合的问题，提高了高光谱图像分类的准确性。
-
公开(公告)号：CN108596885A
公开(公告)日：2018-09-28
申请号：CN201810338560.6
申请日：2018-04-16
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于CPU+FPGA的快速SAR图像变化检测方法，本发明采用CPU+FPGA异构并行加速实现SAR图像的变化检测，与现有技术中SAR图像变化检测的方法在CPU下计算相比，FPGA的并行计算能力要远远高于CPU数据串行计算能力。并且采用FPGA与CPU结合工作的方式，FPGA负责将整个算法中数据的处理并行化，CPU负责在主机端控制任务的调度以及参数的大小。本发明采用OpenCL的并行编程标准对SAR图像变化检测的算法进行并行化编写，代码的可移植性比较高，在不同的异构平台都可以运行。
-
公开(公告)号：CN108460392A
公开(公告)日：2018-08-28
申请号：CN201810193117.4
申请日：2018-03-09
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术无法提取合成孔径雷达SAR图像的局部特征，需要人工输入学习误差值进行测试的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化处理；(3)构建变化检测矩阵；(4)更新变化检测矩阵；(5)选择训练样本集；(6)搭建堆栈自动编码器网络；(7)训练堆栈自动编码器网络；(8)优化堆栈自动编码器网络；(9)构建概率矩阵；(10)更新概率矩阵；(11)获得变化检测图像。本发明提取了合成孔径雷达SAR图像的局部特征，提高了变化检测的精度。
-
公开(公告)号：CN104408478B
公开(公告)日：2017-07-25
申请号：CN201410647211.4
申请日：2014-11-14
申请人： 西安电子科技大学
IPC分类号： G06K9/66
摘要： 本发明具体公开了一种基于分层稀疏判别特征学习的高光谱图像分类方法，主要用于解决现有技术不能很好的学习高光谱数据邻域块的特征表示的问题。其实现步骤为：输入高光谱图像数据样本集，从中选择训练集和测试集；基于选出的训练集和样本集，利用基于稀疏编码的分层判别特征学习方法，得到第一层判别特征及第二层判别特征；将第一层判别特征及第二层判别特征结合，得到分层判别特征；基于分层判别特征，利用支撑矢量机分类，输出分类结果。本发明在空间金字塔稀疏编码模型的基础上，加入了类标监督信息的判别字典学习，且基于空间金字塔稀疏模型采用二层判别特征学习，增强了特征的判别性，提高了分类精度，使得对高光谱数据分类更加准确。
-
-
-
-
-
-
-
-
-
搜索结果
205 条记录 (耗时 0.042 秒)
