-
公开(公告)号：CN114037842B
公开(公告)日：2024-08-23
申请号：CN202111305120.9
申请日：2021-11-05
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06V20/10 , G06N3/084
Abstract: 本发明公开了一种基于匹配追踪生成对抗网的高光谱异常检测方法，主要解决现有技术中提取特征信息能力不足、缺乏先验信息，导致检测效果差的问题。其实现方案为：对高光谱图像使用KRX算法计算其异常概率矩阵，根据背景阈值对异常概率矩阵置1置0得到假定标签；提取标签为0的光谱向量组成背景光谱向量矩阵；根据光谱向量矩阵制作训练样本数据集，输入到深度卷积生成对抗网，得到伪高光谱图像数据集；将高光谱图像与伪高光谱图像的光谱向量作差得到残差图像，再对残差图像进行匹配追踪，计算其异常概率值，得到异常检测结果。本发明提高了检测指标AUC的平均值，具有更好的检测效果，可用于矿产勘探、环境监测、灾害预测、精准农业和国防。
-
公开(公告)号：CN114495163B
公开(公告)日：2024-08-20
申请号：CN202210038244.3
申请日：2022-01-13
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于类别激活映射的行人重识别生成学习方法，主要解决现有技术收集的数据集不平衡导致行人重识别模型性能差的问题。其方案为：建立行人重识别生成学习深度网络模型；1)从行人重识别基准数据集中读取行人图像；2)获取行人姿态特征信息；3)获取行人外观特征信息；4)通过3)进行行人重识别；5)通过2)和3)生成行人图像并计算类别激活映射损失；6)对生成图像在线进行行人重识别分类，并计算分类损失；7)对各损失进行反向传播；8)重复1)‑7)更新深度网络模型参数，直到损失函数值趋于稳定，完成行人重识别生成学习。本发明能生成高质量的行人图像，增强行人重识别网络的性能，可用于智能安保、智能行人追踪。
-
公开(公告)号：CN118334551A
公开(公告)日：2024-07-12
申请号：CN202410441746.X
申请日：2024-04-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于有效运动先验的视频行为关键帧采样方法，主要解决现有采样方法计算资源需求大、复杂度高、鲁棒性低的问题。其实现方案是：1)提取视频相邻帧之间的局部运动信息；2)检测异常事件帧并调整对应局部运动信息；3)归一化所有帧的局部运动信息，并沿时间维度累计局部运动信息；4)将累计运动信息均匀划分为多个区间；5)从每一个区间中选择一个关键信息帧，用所有区间中选取的关键帧构成帧子集，完成对输入视频的关键帧采样。本发明无需引入额外的网络参数，能从复杂场景视频中选择关键信息帧，为准确识别目标动作类别提供高质量的原始视频子序列数据，可用于视频审核、智能安防、体育动作分析。
-
公开(公告)号：CN118332151A
公开(公告)日：2024-07-12
申请号：CN202410363448.3
申请日：2024-03-28
Applicant: 西安电子科技大学
IPC: G06F16/583 , G06V20/13
Abstract: 本发明提出了一种基于历史经验的遥感图文检索方法，实现步骤为：获取训练样本集和测试样本集，构建基于历史经验的遥感图文检索网络模型θ，对遥感图文检索网络模型进行迭代训练，获取遥感图像‑文本检索结果。本发明中的历史经验网络通过当前经验和与其相关的历史经验计算真实标签的伪标签，减小了模态差异引发的相似度度量偏差，产生错误伪标签的概率降低，增强了对于图像和文本的相关性的理解，且通过对每幅遥感图像和每个文本进行编码以获取全局语义信息，充分考虑到遥感图像的复杂性和尺度多样性的特性，同时多模态融合编码器进一步探索图像和文本之间的关系，并动态融合双分支特征，以增强模态表征和融合能力，提高了检索精度。
-
公开(公告)号：CN118314386A
公开(公告)日：2024-07-09
申请号：CN202410409748.0
申请日：2024-04-07
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/086
Abstract: 一种基于代理辅助进化卷积注意力网络架构搜索的高光谱图像分类方法、系统、设备及介质，本发明：1、通过采用代理模型辅助的NAS技术，能够降低进化架构搜索算法的时间成本和资源消耗；2、通过基于染色体碱基类型的代理数据增强技术，能够解决现有代理模型训练数据不足的问题；3、通过一种新颖的代理模型训练方法，将代理模型的训练分为全局和局部搜索两种情况，能够使代理模型良好地适应随着种群进化而发生改变的代理模型的预测环境；4、通过一种融合卷积神经网络和多个注意模块的编码，能够提高算法鲁棒性和合理利用计算资源；5、通过高效的交叉和变异算子，能够自适应调整网络深度和染色体基因，具有增强算法搜索能力和提高分类效率的优点。
-
Patent Agency Ranking
公开(公告)号：CN113537399B
公开(公告)日：2024-07-05
申请号：CN202110920086.X
申请日：2021-08-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多目标进化图卷积神经网络的极化SAR图像分类方法及系统，生成训练集和验证集；生成初始种群；将初始种群中的个体解码为图卷积神经网络，训练并将分类精度和浮点运算次数作为个体的适应度；采用交叉、变异和选择操作对种群进行迭代更新；使用最终种群中分类精度最高的个体对应的图卷积神经网络，对待分类极化SAR图像进行分类。本发明采用多目标进化算法同时优化图卷积神经网络的分类精度和浮点运算次数，实现了图卷积神经网络的自动设计，在提高分类精度的同时，降低了图卷积神经网络的计算复杂度。
-
公开(公告)号：CN118212526A
公开(公告)日：2024-06-18
申请号：CN202410390026.5
申请日：2024-04-02
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/26 , G06V20/70 , G06V10/774 , G06V10/54 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0495 , G06N3/084 , G06N3/0985
Abstract: 基于注意力和空洞卷积嵌入UNet3Plus的超高分辨率SAR建筑物提取方法、系统、设备及介质，方法：采集并预处理超高分辨率的SAR影像数据，划分为训练集、验证集和测试集；并将其转化为适用于MindSpore深度学习框架的数据集样本类型；构建注意力和空洞卷积嵌入UNet3Plus的深度网络模型；训练与监控深度网络模型；将测试集送入训练好的深度网络模型中进行建筑物提取，得到分割预测结果；利用分割预测结果和对应的SAR测试集影像的标签计算超高分辨率下建筑物/非建筑物类别的评价指标和整体评价指标，评估网络性能，可视化预测结果图；本发明通过注意力机制和空洞卷积嵌入UNet3Plus，改善超高分辨率SAR影像中建筑物的边缘提取效果和减少小目标漏检情况，提高建筑物分割精度和鲁棒性。
-
公开(公告)号：CN118154986A
公开(公告)日：2024-06-07
申请号：CN202410440305.8
申请日：2024-04-12
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/10 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于多尺度稀疏交叉融合和语义增强的遥感图像分类方法，主要解决现有遥感图像分类方法无法实现有效的多级特征融合、特征增强不充分的问题。本发明的实现步骤为：生成遥感图像训练集；构建多级特征交叉融合子网络；构建分组通道空间注意力子网络；训练遥感图像分类网络；对遥感图像进行分类。本发明通过多级特征交叉融合子网络对遥感图像的多级特征充分融合，得到表征能力更全面的融合特征、通过分组通道空间注意力子网络获得更有判别性的分类特征，提高了遥感图像的分类精度。
-
公开(公告)号：CN114548582B
公开(公告)日：2024-05-31
申请号：CN202210192777.7
申请日：2022-02-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种动态社交网络社区演化预测方法、系统、存储介质及设备，从时间窗划分机制的通用性出发，建立基于优化的时间窗划分机制模型，时间框架能够根据具体网络自适应调整时间窗口的大小和数量，通过在真实网络上的实验验证，本发明方法可以提高网络社区跟踪的质量，并在减少训练集的情况下保证预测的准确性。
-
公开(公告)号：CN117994652A
公开(公告)日：2024-05-07
申请号：CN202410084272.8
申请日：2024-01-19
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于协同相似度学习的遥感图像变化检测系统，包括主干网络、相似度融合模块、多尺度信息融合结构、注意力融合模块和分割头，其中，主干网络用于分别提取同一地点不同时刻两张原始图像各自的特征图；相似度融合模块用于对两张特征图进行融合，获得含变化信息的融合特征图；多尺度信息融合结构用于利用含变化信息的融合特征图，获得不同尺度特征图；注意力融合模块用于利用注意力机制对不同尺度特征图进行融合，获得注意力融合特征图；分割头用于获得变化检测结果。本发明构建注意力融合模块，通过融合多层特征提高性能和表示能力；构建相似度融合模块，通过对不变特征的学习获得变化特征，降低正负样本分布不均衡导致的误判。
-
-
-
-
-
-
-
-
-
Search Results
2741
records
(took 0.079 seconds)
