-
公开(公告)号：CN118736107A
公开(公告)日：2024-10-01
申请号：CN202410704707.4
申请日：2024-06-03
Applicant: 西安电子科技大学 , 中国人民解放军联勤保障部队第九八七医院
Abstract: 一种基于空洞卷积和自注意力机制的三维重建方法、系统、设备及介质，方法：通过特征提取网络对输入多个视角的图像进行提取特征；通过可微单应性变换将提取到的特征图转换为代价体；通过代价体正则化将代价体转换为概率体；对概率体进行深度图初始估计，得到初始深度图；对初始深度图优化，得到优化深度图；对初始深度图和优化深度图进行损失计算；对深度图进行融合、通过坐标变换得到稠密点云，最后进行三维点云重建；系统、设备及介质用于实现该方法；本发明通过在特征提取部分引入空洞卷积、在代价体正则化过程中引入自适应通道注意力机制，能够针对不同数据集进行调整，在保证准确性和效率的同时，大幅减少计算资源和时间的消耗。
-
公开(公告)号：CN118587599A
公开(公告)日：2024-09-03
申请号：CN202410792387.2
申请日：2024-06-19
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/54 , G06V10/56 , G06V10/422 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/098
Abstract: 本申请的实施例涉及植物病虫害检测技术领域，特别涉及一种基于模态联合学习的植物病虫害检测方法，该方法包括：获取待检测植物图像；对待检测植物图像进行随机裁剪，得到若干张裁剪图像，基于裁剪图像确定待检测植物图像的结构特征；将待检测植物图像转换为灰度图，基于灰度图中各像素点及邻域内各像素点的像素值确定各像素点的纹理值，并基于每个像素点的纹理值确定待检测植物图像的纹理特征；基于待检测植物图像的色调值、饱和度值、亮度值以及植物类型，确定待检测植物图像的颜色特征；基于待检测植物图像的结构特征、纹理特征和颜色特征，确定对待检测植物图像的检测结果，从而大幅提升了植物病虫害检测的速度和精度。
-
公开(公告)号：CN118212532A
公开(公告)日：2024-06-18
申请号：CN202410522360.1
申请日：2024-04-28
IPC: G06V20/10 , G06V10/25 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 一种基于孪生混合注意力机制和多尺度特征融合提取双时相遥感影像中建筑物变化区域方法，对获取的遥感影像建筑物变化检测数据集预处理，并划分为训练集、验证集和测试集；构建遥感影像建筑物变化检测网络；将训练集和验证集依次输入遥感影像建筑物变化检测网络中进行训练和验证，并保存权重参数文件；将测试集输入至训练好的遥感影像建筑物变化检测网络中进行测试，加载权重参数文件，输出遥感影像建筑物变化检测结果；本发明通过引入混合注意力特征提取模块，多尺度特征融合模块及空洞坐标注意力上采样模块，能够有效进行特征融合，共同提取多尺度特征，具有充分提取特征信息，避免信息冗余和噪声干扰，增强模型对图像全局信息的捕获能力的优点。
-
公开(公告)号：CN116306790B
公开(公告)日：2024-05-28
申请号：CN202310055594.5
申请日：2023-01-16
Applicant: 西安电子科技大学
IPC: G06N3/045 , G06N3/0442 , G06N3/0464
Abstract: 一种基于CNN‑GRU和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质，方法包括：对卫星获取的船舶AIS轨迹数据进行预处理，得到训练集和测试集；构建基于深度学习的轨迹预测网络；构建损失函数MSE；设置网络训练参数；用得到的训练集对构建的轨迹预测网络进行训练，得到训练网络模型；递归预测；系统、设备及介质，用于实现基于CNN‑GRU和注意力机制的近海船舶轨迹实时预测方法；本发明通过使用CNN网络对输入的时序轨迹数据进行特征提取，采用双层GRU网络提取数据的长期特征，并引入注意力机制计算权重，获取关键因素，设置损失函数和训练参数对构建的网络进行训练，进而对轨迹进行递归预测；本发明具有预测精度高、实时性以及适应性强的特点。
-
公开(公告)号：CN115861104B
公开(公告)日：2023-10-17
申请号：CN202211544780.7
申请日：2022-11-30
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明提出了一种基于透射率细化的遥感图像去雾方法，用于解决遥感图像中透射率估计不准确，遥感图像的去雾质量低的问题；以及遥感图像去雾后对比度低的问题。本发明的实现步骤为：计算有雾遥感图像的大气强度值；使用高斯加权算法得到有雾遥感图像的高斯加权暗通道图像；计算有雾遥感图像的细化透射率；按照大气强度值和细化透射率，对有雾遥感图像进行去雾，得到去雾图像。本发明克服了现有技术透射率计算不准确的问题，可以对包含遥感图像在内的有雾图像进行高质量的去雾，去雾后可以提高图像的对比度，增加图像的细节信息。
-
Patent Agency Ranking
公开(公告)号：CN114565657B
公开(公告)日：2023-08-15
申请号：CN202210206783.3
申请日：2022-03-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边缘梯度和方向纹理提取遥感影像中河宽的方法，其实现步骤为：对河道范围内的数字高程模型数据进行水文分析，确定河网，划定缓冲区，并对影像进行裁剪，得到缓冲区影像，利用水体指数确定河道在缓冲区影像中的位置，根据灰度梯度的变化确定河道的边界，找出河道中心线上的点，由方向纹理特征确定河道的延伸方向，进一步确定河道的正交方向，再根据河道正交方向计算河道的宽度。本发明能够较好的解决提取遥感影像中河宽的过程中存在山体阴影的干扰的问题，具有普适性强、精度高的优点。
-
公开(公告)号：CN116229071A
公开(公告)日：2023-06-06
申请号：CN202310192373.2
申请日：2023-03-02
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/30 , G06V10/764 , G06V10/82 , G06T7/136 , G06T7/13 , G06T7/194 , G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/048
Abstract: 本发明旨在解决现有方法对核磁共振影像MRI(MagnaticResonanceImaging)的多功能模态利用率低下的问题，提出了一种基于多模态MRI的集成MP‑Unet分割方法，其实现思路为：对影像进行归一化并去噪；生成Unet数据集，通过Unet精度来衡量模态质量；优质模态作为MP‑Unet模型训练用的数据集；构建MP‑Unet并进行模型训练；训练出的多组MP‑Unet模型结合Bagging算法进行集成决策分割。本发明对MRI影像进行目标分割时，可以结合多种模态数据，极大提高对MRI影像的分割精度，Bagging算法可集成多个MP‑Unet，进一步提高对MRI影像的分割精度，并有效减少非正确预测。
-
公开(公告)号：CN114494858B
公开(公告)日：2024-09-24
申请号：CN202111656314.3
申请日：2021-12-30
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于异质特征的SAR图像分割结果无监督评估方法，实现步骤为：提取SAR图像的异质特征；对待分割SAR图像进行区域分割；构建每个分割区域的特征协方差矩阵；计算每个分割区域的同质性指标以及相对于其他区域的异质性指标；获取SAR图像分割结果的评估结果。本发明提取SAR图像的异质特征包含灰度特征和纹理特征，所得到的同质性指标和异质性指标能够全面地体现分割结果的有效性，避免了现有技术存在的因所获取的分割区域内的同质性指标及分割区域间的异质性指标仅包含灰度特征导致的信息缺失的缺陷，有效提高了评估精度。
-
公开(公告)号：CN117765361B
公开(公告)日：2024-06-11
申请号：CN202311808119.7
申请日：2023-12-26
IPC: G06V10/80 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于残差神经网络检测双时相遥感影像中建筑物变化区域的方法，包括以下步骤：构建遥感影像建筑物变化的输入子网络；构建遥感影像建筑物变化的特征提取子网络；构建遥感影像建筑物变化的特征融合子网络；构建遥感影像建筑物变化的预测子网络；构建遥感影像建筑物变化检测网络；生成训练集、验证集和测试集；训练遥感影像建筑物变化检测网络；检测遥感影像建筑物变化范围；本发明通过联合挤压激励和残差卷积，构建挤压激励的残差卷积代替原始卷积，能够选择性地强调变化区域特征,抑制没有变化的建筑物特征，具有特征突出便于变化特征提取的技术效果。
-
公开(公告)号：CN117611877B
公开(公告)日：2024-05-14
申请号：CN202311421577.5
申请日：2023-10-30
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/52 , G06N3/0464
Abstract: 本发明公开了一种基于LS‑YOLO网络的遥感影像滑坡体检测方法，主要解决现有技术计算量大、检测精度低以及存在较多漏检错检的问题。其实现步骤为：1)基于有效通道注意力、平均池化和空间可分离卷积设计多尺度特征提取模块；2)在现有Decoupled Head进行改进，在其回归任务分支中引入上下文增强模块；3)在YOLOv5网络的Neck中引入多尺度特征提取模块，并使用改进后的Decoupled Head替换原网络相应部分，得到改进后的LS‑YOLO网络模型；4)利用模型对遥感影像进行检测获取结果。本发明能够有效提高多尺度滑坡的定位精度、提升检测准确性。可用于光学遥感影像中的滑坡检测。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.032 seconds)
