-
公开(公告)号：CN102034107A
公开(公告)日：2011-04-27
申请号：CN201010570786.2
申请日：2010-12-02
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法，主要解决现有基于低级语义特征的方法不足以描述不良图像信息的内容，从而导致误判的问题。其步骤是：(1)采用高斯混合模型寻求多峰肤色分布的规律，建立肤色模型；(2)通过Bootstrap的主动反馈方法优化肤色模型；(3)引入人眼视觉注意模型，检测图像中有限的显著特征点；(4)进一步利用肤色区域去除冗余特征点；(5)对图像保留下来的感兴趣点采用尺度不变特征转换SIFT进行描述；(6)生成不良图像和正常图像的码本库；(7)采用稀疏表示中的图像重构误差检索出不良图像。实验结果表明，本发明具有更强的鲁棒性，能更好的分辨出不良图像和正常图像。
-
公开(公告)号：CN113554671B
公开(公告)日：2024-06-14
申请号：CN202110699420.3
申请日：2021-06-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轮廓增强的SAR图像到可见光图像的转换方法及装置，该方法包括：根据SAR图像及可见光图像真值对Pix2PixHD网络进行训练；对可见光图像真值和Pix2PixHD网络训练过程中产生的伪可见光图像进行轮廓信息提取；根据提取到的可见光图像真值的轮廓信息和伪可见光图像的轮廓信息计算轮廓重建损失；利用轮廓重建损失对Pix2PixHD网络进行优化，并利用优化好的网络实现SAR图像到可见光图像的转换。本发明通过对轮廓信息的强监督，提升了复杂纹理SAR图像到伪可见光图像的转换质量。
-
公开(公告)号：CN117240384A
公开(公告)日：2023-12-15
申请号：CN202311170989.6
申请日：2023-09-11
Applicant: 西安电子科技大学
IPC: H04B17/382 , H04W24/02 , G06N3/042 , G06N3/0499
Abstract: 本发明公开了一种基于深度学习网络的智能空间频谱抗干扰方法，涉及空间电磁频谱智能分析技术领域，包括：利用多源信息融合网络对天线接收的信号进行特征提取，得到特征信息；将特征信息输入注意力特征平衡网络，得到多维度信号表征，并判断信号是否为干扰信号；当信号为干扰信号时，将多维度信号表征输入图神经网络，得到该干扰信号的属性信息；将属性信息输入预先训练好的深度决策评估网络，得到针对该干扰信号的动作。本发明实现了精确的信号识别和正确的抗干扰策略，还具备实时分析和实时对抗的功能，可以快速响应并应对不同信号环境中的干扰情况，这使得该方法在无线通信、雷达系统、无人机控制等领域具有广泛的应用前景。
-
公开(公告)号：CN117132534A
公开(公告)日：2023-11-28
申请号：CN202310892156.4
申请日：2023-07-19
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/75 , G06V10/40 , G06V10/774
Abstract: 本发明公开了一种基于任务驱动的空间目标图像质量评价方法，包括：获取待评价图像；采用训练完备的质量评价模型对待评价图像质量评价，得到表征待评价图像的图像质量的优劣程度的质量类别；训练完备的质量评价模型是采用带有质量标签的目标数据集，通过度量学习的方式对初始质量评价模型进行训练得到的；目标数据集是根据训练完备的目标识别模型对第一数据集的图像类别的目标识别结果，以及第一数据集的真实目标类别之间的欧式距离构建的；第一数据集是用于训练目标识别模型的数据集的同源数据集；评价结果达到预设质量类别的图像用于作为目标识别模型或初始目标识别模型的训练样本。本发明可以降低人工图像标注的成本，提高与下游任务的匹配度。
-
公开(公告)号：CN112950464B
公开(公告)日：2023-09-01
申请号：CN202110099913.3
申请日：2021-01-25
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种不包含正则化层的二值超分辨率重建方法，包括：对低分辨率图像进行数据分布处理，获得处理后图像；将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至达到收敛。本发明的方法，通过一种有效的二值化训练机制，允许神经网络在不包含正则化层时取得较优异的网络性能，从而使网络以较低的计算复杂度获得更加优异的超分辨率图像重建效果。
-
Patent Agency Ranking
公开(公告)号：CN115641613A
公开(公告)日：2023-01-24
申请号：CN202211372036.3
申请日：2022-11-03
Applicant: 西安电子科技大学 , 中国电子科技集团公司电子科学研究院
IPC: G06V40/10 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种基于聚类和多尺度学习的无监督跨域行人重识别方法，包括：构建相同的两个原始卷积神经网络，对两个原始卷积神经网络分别采用不同的初始化参数利用源域训练集进行预训练，得到预训练完成的两个预训练学生模型，并分别复制得到两个预训练教师模型；构建图片特征记忆库；利用目标域训练集对两个预训练学生模型和两个预训练教师模型进行多轮目标域交互监督学习，直至达到得到预设的学习终止条件，得到跨域学习完成的两个学生模型和两个教师模型；利用跨域学习完成的任一个模型对目标域查询样本进行识别，找到目标域底库图片集中具有相同标签的图片，完成行人重识别。本发明的方法提高了无监督跨域行人重识别的识别精度。
-
公开(公告)号：CN113673310A
公开(公告)日：2021-11-19
申请号：CN202110758699.8
申请日：2021-07-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于增强孪生网络的舰船追踪方法，包括：在待跟踪视频中的第一帧图像中，确定目标舰船的边界框坐标信息；根据所述边界框坐标信息，基于目标孪生网络，从待跟踪视频中的第一帧图像和待搜索图像中提取第一特征信息；基于目标特征融合模块和目标特征优化模块处理所述第一特征信息，以得到第二特征信息；基于目标互相关模块对所述第二特征信息进行互相关处理，以得到第三特征信息；根据所述第三特征信息，进行响应图判定，以得到掩膜信息和预测坐标信息；将所述掩膜信息和预测坐标信息映射至待搜索图像，以在所述待搜索图像中确定目标掩膜信息和目标边界框坐标信息。本发明能够加强舰船边缘特征，能够提高追踪准确度。
-
公开(公告)号：CN107832335B
公开(公告)日：2019-12-17
申请号：CN201710935929.7
申请日：2017-10-10
Applicant: 西安电子科技大学
IPC: G06F16/583 , G06F16/51 , G06K9/46 , G06K9/62
Abstract: 本发明公开的一种基于上下文深度语义信息的图像检索方法，主要解决现有图像检索方法由于缺乏上下文环境信息而造成的准确率低的问题。实现步骤为：①使用自适应极化栅栏法确定图像关键点；②对卷积神经网络进行预训练和微调，构建包含区域分析层、迭代量化层的极化卷积神经网络；③提取关键点的上下文深度语义特征，并将其存入索引表，完成线下索引；④计算查询图像与数据库中每幅图像的相似度；⑤根据相似度从高到低的顺序输出检索结果。本发明使用上下文深度语义特征实现了图像关键点从区域到全局环境的匹配，提出的自适应极化栅栏法和构建的区域分析层符合全天空极光图像的成像特点，检索准确率高，可用于鱼眼镜头成像的大规模图像的精确检索。
-
公开(公告)号：CN109472191A
公开(公告)日：2019-03-15
申请号：CN201811081523.8
申请日：2018-09-17
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于时空上下文的行人重识别与追踪方法，包括：训练Mask RCNN网络；利用训练后的Mask RCNN网络处理原始图片集，得到训练集、测试集和查找集；利用训练集训练卷积神经网络；利用训练后的卷积神经网络对测试集和查找集进行处理，以从测试集中获取第一预设数量的图片，以对目标行人进行重识别。本发明使用目标检测算法和实例分割算法对图片进行预处理，去除背景干扰信息，能够进一步提高模型精度，提升行人重识别方法的准确率。同时，本发明解决了目前行人重识别算法缺乏追踪功能的问题，提出了基于步行速度的区域预测算法，结合Mask RCNN降低了追踪计算复杂度，达到实时追踪，提高了追踪效率。
-
公开(公告)号：CN109410127A
公开(公告)日：2019-03-01
申请号：CN201811082938.7
申请日：2018-09-17
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于深度学习与多尺度图像增强的图像去噪方法，包括：对待处理的原始图像进行多尺度图像信息增强，得到增强后图像；利用图像去噪卷积神经网络模型对所述增强后图像进行处理，得到去噪后图像。该图像去噪方法增加了多尺度增强信息的预处理过程，提升了图像像素之间的对比度，图像灰度级变得均衡，且图像的灰度级范围变宽，从而能够得到图像的重要细节和纹理，将该增强图像输入到后续的卷积神经网络模型中，能够实现去噪图像视觉效果的增强。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.032 seconds)
