-
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：CN114943866A
公开(公告)日：2022-08-26
申请号：CN202210690666.9
申请日：2022-06-17
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于进化神经网络结构搜索的图像分类方法，主要解决现有技术中时间成本较高，分类精度较低的问题。本发明具体步骤如下：(1)利用标量编码对神经网络的网络块进行编码；(2)根据当前种群中的多样性和适应度情况自适应地调节交叉和变异概率；(3)通过交叉、变异操作生成子代种群；(4)利用基于衰老进化的环境选择操作，对种群进行迭代更新；(5)使用适应度最高的基因个体对应的神经网络对待分类的图像进行分类。本发明采用进化算法实现对神经网络的自动构建，具有针对图像分类问题精度高，时间成本低的优点。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN114943866B
公开(公告)日：2024-04-02
申请号：CN202210690666.9
申请日：2022-06-17
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/006 , G06N3/086 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于进化神经网络结构搜索的图像分类方法，主要解决现有技术中时间成本较高，分类精度较低的问题。本发明具体步骤如下：(1)利用标量编码对神经网络的网络块进行编码；(2)根据当前种群中的多样性和适应度情况自适应地调节交叉和变异概率；(3)通过交叉、变异操作生成子代种群；(4)利用基于衰老进化的环境选择操作，对种群进行迭代更新；(5)使用适应度最高的基因个体对应的神经网络对待分类的图像进行分类。本发明采用进化算法实现对神经网络的自动构建，具有针对图像分类问题精度高，时间成本低的优点。
-
-
-
-
-
-
Search Results
17
records
(took 0.029 seconds)
