-
公开(公告)号：CN113902973B
公开(公告)日：2025-04-08
申请号：CN202111122594.X
申请日：2021-09-24
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种自编码器和低维流形建模的高光谱异常检测方法，通过原始高光谱图像对栈式自编码器进行训练，获得训练好的栈式自编码器；通过所述训练好的栈式自编码器对原始高光谱图像进行主要特征提取，以完成数据降维，获得降维后高光谱图像Y；对所述降维后高光谱图像Y进行L次随机采样，获得采样图像#imgabs0#l＝1,2,…,L；通过低维流形建模对所得每一个采样图像#imgabs1#进行重构，获得每一个特征采样图像#imgabs2#的重构背景子图像Xl；将所得重构背景子图像Xl求取平均值#imgabs3#作为原始高光谱图像的重构背景图像#imgabs4#；通过l2范数确定原始高光谱图像和重构背景图像#imgabs5#之间的残差r，以残差r作为最后的异常检测结果。本发明有效减少了冗余计算，提升了算法的整体性能，加快了算法速度。
-
公开(公告)号：CN119228644A
公开(公告)日：2024-12-31
申请号：CN202411144476.2
申请日：2024-08-20
Applicant: 西安电子科技大学
IPC: G06T3/4046 , G06N3/045 , G06N3/047 , G06N3/08 , G06T9/00
Abstract: 本发明实施例涉及图像处理技术领域，其公开了一种基于深度学习的图像重建方法，所述方法包括：对原始图像f进行压缩；对压缩后的所述原始图像f进行重建，并依据贝叶斯定理确定目标函数；根据所述目标函数对神经网络模型进行训练，直至所述神经网络模型的损失指标满足阈值条件；根据训练好的神经网络模型对图像进行重建。本发明利用深度学习技术，能够提供比传统方法更高的压缩率和更好的图像重建质量。
-
公开(公告)号：CN119223454A
公开(公告)日：2024-12-31
申请号：CN202411305187.6
申请日：2024-09-19
Applicant: 西安电子科技大学
Abstract: 本发明实施例公开了一种红外宽波段多光谱辐射测温装置、方法、介质及设备，装置包括：前置光学模组、微透镜阵列、滤光片阵列和探测器阵列，前置光学模组，用于分离目标物体的中波辐射与长波辐射，对中波辐射和长波辐射缩小投影至所述微透镜阵列；微透镜阵列，用于将缩小投影后的中波辐射和长波辐射进行聚焦并汇聚，获取中波汇聚光和长波汇聚光；滤光片阵列，用于接收对应的中波汇聚光和长波汇聚光，分别对中波汇聚光和长波汇聚光进行滤光；探测器阵列，用于分别将滤光后的中波汇聚光和长波汇聚光进行多谱段采集，获取目标光谱辐射图像。该多光谱辐射测温装置结构简单，易于实现高速红外宽波段多光谱成像技术实现对目标物体的温度场测量。
-
公开(公告)号：CN118570062B
公开(公告)日：2024-11-29
申请号：CN202411059685.7
申请日：2024-08-05
Applicant: 西安电子科技大学
Abstract: 本发明实施例公开了一种基于编解码的高光谱图像重建方法、装置、设备及介质，该方法包括构建高光谱图像重建网络，所述高光谱图像重建网络包括编码网络、初始重建网络、深度重建网络；基于编码网络，将原始高光谱图像进行下采样卷积，确定压缩测量值；基于初始重建网络，将所述压缩测量值进行上采样卷积，确定初始估计的高光谱图像；基于所述深度重建网络，根据所述初始估计的高光谱图像和所述压缩测量值，进行深层特征提取和噪声去除，确定重建高光谱图像。该方案，能够在减少高分辨率相机的成本下进行数据采集，并保证高光谱图像复原质量，成本低，高光谱图像复原质量高，实用性强。
-
公开(公告)号：CN118940141A
公开(公告)日：2024-11-12
申请号：CN202411162246.9
申请日：2024-08-23
Applicant: 西安电子科技大学
IPC: G06F18/2413 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于神经架构搜索的喉电信号分类方法、装置及电子设备，获取喉电信号数据并进行预处理，将预处理后的喉电信号数据划分为训练集、验证集、测试集；通过控制器生成子模型；从所述训练集中获取小批量训练集对所述子模型进行训练，并采用所述验证集确定训练后的子模型的分类精度；将所述分类精度作为所述控制器的奖励，通过所述奖励更新所述控制器，并通过更新后的控制器再次生成子模型，将分类精度最高的子模型作为喉电信号分类模型；通过所述训练集对所述喉电信号分类模型进行训练，采用训练后的所述喉电信号分类模型对所述测试集中的喉电信号进行分类。本发明能够减少人工干预，优化网络结构。
-
Patent Agency Ranking
公开(公告)号：CN118570062A
公开(公告)日：2024-08-30
申请号：CN202411059685.7
申请日：2024-08-05
Applicant: 西安电子科技大学
Abstract: 本发明实施例公开了一种基于编解码的高光谱图像重建方法、装置、设备及介质，该方法包括构建高光谱图像重建网络，所述高光谱图像重建网络包括编码网络、初始重建网络、深度重建网络；基于编码网络，将原始高光谱图像进行下采样卷积，确定压缩测量值；基于初始重建网络，将所述压缩测量值进行上采样卷积，确定初始估计的高光谱图像；基于所述深度重建网络，根据所述初始估计的高光谱图像和所述压缩测量值，进行深层特征提取和噪声去除，确定重建高光谱图像。该方案，能够在减少高分辨率相机的成本下进行数据采集，并保证高光谱图像复原质量，成本低，高光谱图像复原质量高，实用性强。
-
公开(公告)号：CN118506009A
公开(公告)日：2024-08-16
申请号：CN202410368447.8
申请日：2024-03-28
Applicant: 西安电子科技大学
IPC: G06V10/30 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于扩散模型框架的红外弱小目标检测方法及装置，所述方法包括：将探测图像输入至训练好的双路径编解码神经网络模型中，由模型多次预测探测图像中的噪声，在探测图像中依次减去预测得到的多个噪声得到目标图像。由于双路径编解码神经网络模型中包括多个双路径编码器和解析器，而双路径编码器在训练时能够通过两个特征提取路径提取样本中的语义信息和噪声特征，解析器能够约束特征中的高频噪声，因此双路径编解码神经网络模型能够充分学习到样本更精确的语义信息和噪声特征，本发明通过训练好的双路径编解码神经网络模型来提取探测图像中的目标，能够提高目标识别的准确度、提高识别性能。
-
公开(公告)号：CN118396914A
公开(公告)日：2024-07-26
申请号：CN202410359705.6
申请日：2024-03-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于信噪比感知的红外图像动态范围自适应增强方法，包括：利用编码器对原始红外图像进行特征提取，得到对应的特征图；计算原始红外图像的信噪比分布图，并据此将特征图划分为高信噪比区域和低信噪比区域；对特征图中的高信噪比区域使用短距离分支网络进行局部特征提取，得到短距离特征；并对特征图中的低信噪比区域使用长距离分支网络进行全局特征提取，得到长距离特征；将短距离特征和长距离特征进行融合，并将融合后的特征输入到解码器中进行处理，利用从编码器到解码器的跳跃连接来增强图像细节，得到输出图像。该方法能够实现高动态范围图像自适应动态范围恢复，在保证动态范围的同时能够去除噪声，恢复更多的细节信息。
-
公开(公告)号：CN114842235B
公开(公告)日：2024-07-16
申请号：CN202210284099.7
申请日：2022-03-22
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/26 , G06V10/30 , G06V10/42 , G06V10/80
Abstract: 本发明公开了一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法，包括：对输入的红外原始图像执行高斯滤波操作，以增强暗淡的弱小目标；对高斯滤波后的红外图像进行基于形状先验的分割，以获得目标候选区域；对目标候选区域进行裁剪并输入到多尺度特征提取模块，以获取小目标的特征表示；将小目标的特征表示输入到特征聚合网络中，得到张量拼接后的图像；对张量拼接后的图像进行批量归一化处理以及非线性变换，并通过Softmax输出目标分类结果。本发明基于形状先验的分割模块充分利用弱小目标的先验信息以获取可疑目标区域，减少全局参数量以提高算法效率，多尺度特征提取和聚合模块为弱小目标实现足够数量的特征通道，进而保证其可检测性。
-
公开(公告)号：CN118071649A
公开(公告)日：2024-05-24
申请号：CN202410123803.X
申请日：2024-01-29
Applicant: 西安电子科技大学
IPC: G06T5/77 , G06T5/73 , G06T5/60 , G06T5/80 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/0499 , G06T3/4038 , G06T3/4046 , G06N3/08
Abstract: 本发明提供了基于深度学习的两阶段红外图像湍流抑制方法及系统。方法，包括：获取待恢复红外湍流图像；将待恢复红外湍流图像输入预训练的去湍流模型，预测得到去湍流图像；预训练的去湍流模型包括：一阶段去模糊模型和二阶段去畸变模型，一阶段去模糊模型为基于Transformer的U型神经网络，在多个尺度上通过多头注意力机制和前馈神经网络对待恢复红外湍流图像进行特征提取，并映射得到待识别畸变图像；二阶段去畸变模型针对待识别畸变图像进行通道打乱的混洗处理得到待识别混洗图像，并将待识别混洗图像与待恢复红外湍流图像做像素叠加处理，得到去湍流图像。提高了对红外湍流图像的恢复效果，降低了恢复过程中的资源消耗。
-
-
-
-
-
-
-
-
-
Search Results
263
records
(took 0.048 seconds)
