-
公开(公告)号：CN113486981A
公开(公告)日：2021-10-08
申请号：CN202110869707.6
申请日：2021-07-30
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于多尺度特征注意力融合的RGB图像分类方法，实现步骤为:(1)获取训练样本集R1和测试样本集E1；(2)构建基于多尺度特征注意力融合网络的图像分类模型T；(3)对基于多尺度特征注意力融合网络的图像分类模型T进行迭代训练；(4)获取RGB图像的分类结果。本发明所构建的多尺度特征注意力融合网络可以对输入特征图进行全局特征和局部特征的提取，然后通过sigmoid激活层和特征融合层对获得的全局特征和局部特征进行融合，有效解决了深度学习中特征提取不充分的问题，有效提升了RGB图像分类的精度。
-
公开(公告)号：CN112733769A
公开(公告)日：2021-04-30
申请号：CN202110060277.3
申请日：2021-01-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于多波段熵率超像素分割的高光谱图像分类方法，用于解决现有技术存在的分类精度较低和分类效率较低的技术问题，实现步骤为：(1)对高光谱图像进行多波段熵率超像素分割；(2)获取训练集和测试集；(3)对多分类支持向量机分类器进行训练；(4)获取高光谱图像的分类结果。本发明采用的基于多波段熵率超像素分割的高光谱图像分类方法，充分利用了高光谱图像地物目标的光谱信息和多波段上的空间分布信息，从而有效提高了高光谱图像的分类精度，且分类效率较高，可应用于灾害监测、地质勘探、城市规划、农业和考古等领域。
-
公开(公告)号：CN110110844B
公开(公告)日：2021-01-12
申请号：CN201910331464.3
申请日：2019-04-24
Applicant: 西安电子科技大学
IPC: G06N3/04
Abstract: 本发明提出了一种基于OpenCL的卷积神经网络并行处理方法，主要解决现有卷积神经网络并行化处理中模型复杂度高、运行速度缓慢的问题。实现步骤为：获取图像数据矩阵的重组矩阵；获取权值矩阵；分块并行计算权值矩阵与重组矩阵的乘积；对乘积矩阵进行并行批量归一化；输出特征值矩阵。本发明利用计算机图形处理器GPU中大量的并行计算单元，将卷积神经网络的卷积过程转化为大型矩阵乘法，分块并行计算权值矩阵与重组矩阵的乘积，简化了卷积层数据的处理过程，优化了数据的访存方式，提高了数据的复用率，使得本发明大幅提高了卷积神经网络的运行速度。
-
公开(公告)号：CN112053386A
公开(公告)日：2020-12-08
申请号：CN202010896617.1
申请日：2020-08-31
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度卷积特征自适应集成的目标跟踪方法，其步骤如下：提取深度卷积特征；计算核相关滤波器；使用集成矢量更新公式更新当前帧的集成矢量；利用自适应集成计算公式预测当前帧图像的目标位置；使用深度卷积特征更新公式，更新当前帧的深度卷积特征；将选完含有待跟踪目标视频图像序列迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。本发明通过集成特征，克服了现有技术存在的跟踪器不能充分利用不同通道目标特征包含的信息，使得本发明在目标跟踪过程中更加准确地获取待跟踪目标位置，增强了目标跟踪的准确性和可靠性。
-
公开(公告)号：CN107139179B
公开(公告)日：2020-05-29
申请号：CN201710386413.1
申请日：2017-05-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种智能服务机器人及工作方法，本发明将深度学习与机器人的实体进行结合。在使用机器人之前，先通过大量数据训练深度学习网络，从而使其能够识别物体。然后结合机器人实体。先通过摄像头获取到当前环境图像，经由深度学习网络可以得出检测目标的位置以及类标，再融合深度图的信息，从而得到物体与机器人在空间中的相互关系。在跟踪过程中，机器人根据距离，动态调整跟踪时候的速度。机器人在抓取过程中，算法将物体与机器人的相互关系经过投影变换为机械臂的坐标系，指导机械臂进行抓取。
-
Patent Agency Ranking
公开(公告)号：CN107451614B
公开(公告)日：2019-12-24
申请号：CN201710644479.6
申请日：2017-08-01
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空间坐标与空谱特征融合的高光谱分类方法，克服了现有技术空间信息引入方式复杂和信息利用不充分的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取训练样本集和测试样本集；(3)确定空间特征；(4)获取光谱特征；(5)融合分析光谱特征与空间特征；(6)输出最终分类图。本发明利用了空间坐标引入了空间信息，同时采用空谱特征融合的方式，充分地利用信息，以很少的时间获得了很高的分类精度。
-
公开(公告)号：CN108280808B
公开(公告)日：2019-10-25
申请号：CN201711345205.3
申请日：2017-12-15
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于结构化输出相关滤波器的目标跟踪方法，主要解决因目标光照变化、遮挡、旋转等导致的跟踪失败问题。本发明实现的步骤如下：(1)对第一帧图像进行预处理；(2)构造结构化输出相关滤波器；(3)求取最优的结构化输出相关滤波器；(4)对当前帧图像进行预处理；(5)确定当前帧图像中待跟踪目标的位置；(6)优化结构化输出相关滤波器；(7)判断是否选取完待跟踪视频图像序列中的所有帧图像，若是，则结束，否则，执行步骤(4)。本发明通过构造结构化输出相关滤波器，更好地描述样本中包含的信息，使结构化输出相关滤波器学习到区分度高的特征，能够稳定准确地跟踪目标。
-
公开(公告)号：CN110321963A
公开(公告)日：2019-10-11
申请号：CN201910616371.5
申请日：2019-07-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于融合多尺度多维空谱特征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)对待分类的高光谱图像进行预处理；(3)邻域取块；(4)生成训练集与测试集；(5)构建多尺度空谱特征和多维特征融合网络；(6)训练多尺度空谱特征和多维特征融合网络；(7)对测试样本进行分类。本发明提出的方法能有效解决卷积神经网络在训练时特征太过单一和尺度太过单一的问题，并且能够解决进行高光谱分类时平均分类精度AA低的问题，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，分类性能良好。
-
公开(公告)号：CN107172426B
公开(公告)日：2019-10-11
申请号：CN201710490906.X
申请日：2017-06-23
Applicant: 西安电子科技大学
IPC: H04N19/132 , H04N19/139 , H04N19/176 , H04N19/513 , H04N19/59 , H04N7/01
Abstract: 本发明提出了一种基于双MIC的OpenCL并行帧率上转换方法，在保证图像质量的前提下，有效缩短帧率上转换的运行时间，提高帧率上转换的运行效率。实施步骤为：主线程对OpenCL设备的MIC1和MIC2进行初始化；主线程对读入的视频进行编号；主线程定义信号量并初始化；主线程在主机上开辟内存并创建子线程1和子线程2；子线程1控制MIC1，执行运动估计算法，同时子线程2控制MIC2，执行运动补偿算法，实现视频帧率的上转换；主线程关闭子线程1和子线程2。本发明有效地提高了算法的运行效率，可用于视频帧率上转换领域。
-
公开(公告)号：CN105513102B
公开(公告)日：2018-11-16
申请号：CN201510941178.0
申请日：2015-12-15
Applicant: 西安电子科技大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法，主要解决现有技术在高光谱数据进行压缩采样后重建准确度低、效果差的问题。其包括：1.输入高光谱数据并向量化；2.对向量化的高光谱数据采样，得到采样数据；3.对采样数据进行初始重建；4.对初始重建的数据聚类；5.根据像元类别对采样数据分类，得到各类采样数据；6.构造二次重建模型；7.根据各类采样数据求解二次重建模型，得到二次重建的最优数据，并将该数据作为最终重建数据。本发明在低秩稀疏重建的基础上引入非局部全变差和聚类思想，具有重建准确度高、效果好的优点，可用于高光谱数据成像。
-
-
-
-
-
-
-
-
-
Search Results
323
records
(took 0.034 seconds)
