-
公开(公告)号：CN113378934A
公开(公告)日：2021-09-10
申请号：CN202110656523.1
申请日：2021-06-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于语义感知图神经网络的小样本图像分类方法及系统，针对图片级标签导致类别语义模糊的问题，首先将边的表示进行细化，使边从一个表示相邻结点全局相似度的标量细化为一个表示相邻结点每一像素位置相似度的向量。然后在边细化的基础上进一步引入语义校准模块来更新边特征，其通过计算相邻结点间的关系矩阵，并将关系矩阵转换为每一像素位置的边值来让边显式地表示结点间的语义相似性，进而通过多层图神经网络的更新传播语义信息以改善最终的分类结果。本发明在miniImageNet数据集上的实验表明本发明可以提高小样本图像分类的精度。
-
公开(公告)号：CN113283513A
公开(公告)日：2021-08-20
申请号：CN202110603033.5
申请日：2021-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于目标互换和度量学习的小样本目标检测方法及系统，利用基类中目标图像与查询图像已有的标签信息，将查询图像与目标图像中的同类目标进行互换，构成新的查询‑目标图像对作为输入。通过这种数据增强方式增加了目标图像中各目标之间的对比，为相似性度量模块提供了更多的可对比样本，减小了目标图像中其他类目标或背景对于待检测目标的影响，提升了基于度量学习的小样本目标检测模型在基类与新类上的检测精度。
-
公开(公告)号：CN113240039A
公开(公告)日：2021-08-10
申请号：CN202110605399.6
申请日：2021-05-31
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了基于空间位置特征重加权的小样本目标检测方法及系统，按照基类和新类构造支持集和查询集样本；构造基于目标完整性的特征融合模块；构造基于空间位置信息的特征调整模块；使用两阶段的训练方式对整个网络进行训练，该网络包括特征提取器、基于目标完整性的特征融合模块、元学习器、基于空间位置信息的特征调整模块和检测层；在基类训练阶段，使用基类构造的支持集和查询样本训练；在小样本微调阶段，使用基类和新类构造的平衡数据集训练；输入新类的测试和支持集图像，得到检测结果；本发明利用多个浅层特征并维持目标结构的完整性，同时，通过生成包含空间位置信息的元特征，对查询样本特征进行空间维度的调整，提高目标检测效果。
-
公开(公告)号：CN113239867A
公开(公告)日：2021-08-10
申请号：CN202110603103.7
申请日：2021-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于掩码区域自适应增强的光照变化人脸识别方法，针对像素层面，引入人脸解析模型和五官对称性先验，对光照变化人脸图像中光照条件极差的五官区域进行着重增强，并对五官以及人脸轮廓进行保持；其次，针对特征层面，基于人脸数据集构建成对图像，然后引入人脸特征提取网络，对生成的图像和与其对应的标准图像提取人脸特征，并施加身份特征约束，使生成的图像与其对应的标准图像具有相似的特征，提高人脸识别准确率。本发明实现了对光照变化人脸图像较好的增强，提高了人脸识别准确率。
-
公开(公告)号：CN112560967A
公开(公告)日：2021-03-26
申请号：CN202011511695.1
申请日：2020-12-18
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种多源遥感图像分类方法、存储介质及计算设备，对待分类的多源遥感图像数据进行灰度压缩；将灰度压缩的多源遥感图像输入到群组注意力机制网络中；根据图像对应的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合；初始化群组注意力机制网络的参数；从训练样本集合中选取训练样本，分批次并归一化后训练初始化后的群组注意力机制网络；重复训练步骤直至满足终止条件；利用训练好的群组注意力机制网络预测分类；输出分类图像并计算分类指标。本发明采用双重利用图像的空间相结构信息，提取更有效的特征进行分类，提高了分类精度，可用于对多源遥感图像进行特征提取和地物分类。
-
Patent Agency Ranking
公开(公告)号：CN112560966A
公开(公告)日：2021-03-26
申请号：CN202011511666.5
申请日：2020-12-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备，将待分类的极化SAR影像原始数据编码成极化散射矩阵；对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵，并构造散射关系邻接矩阵；将稀疏散射矩阵拉成列向量，然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中，随机选择每类的训练样本得到训练样本集合；将选取的训练样本集合分批次并归一化后与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练；得到散射图卷积神经网络的模型参数；最后利用训练好的分类器预测分类。本发明对极化SAR数据表示和学习，从而提高了分类精度，可用于对极化SAR影像散射特性进行建模和地物分类。
-
公开(公告)号：CN109242883B
公开(公告)日：2021-01-05
申请号：CN201810919903.8
申请日：2018-08-14
Applicant: 西安电子科技大学
IPC: G06T7/246
Abstract: 本发明提出了一种基于深度SR‑KCF滤波的光学遥感视频目标跟踪方法，用于在保证跟踪速度的基础上提高跟踪精度，实现步骤为：获取目标检测网络R‑FCN的训练集；训练目标检测网络；优化目标跟踪算法KCF，得到SR‑KCF；设定目标跟踪算法SR‑KCF中目标状态的判断条件；构建检测辅助跟踪算法；设定跟踪目标与检测目标的匹配条件；获取光学遥感视频第一帧图像包含目标的信息；获取光学遥感视频第二帧及以后图像包含目标的信息；输出光学遥感视频目标跟踪结果。本发明运用深度学习可以提取到目标更高级的特征，在相关滤波算法KCF中添加了背景抑制因子和稀疏响应因子，有效提高了提高跟踪精度。
-
公开(公告)号：CN111311614A
公开(公告)日：2020-06-19
申请号：CN202010230019.0
申请日：2020-03-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于分割网络和对抗网络的三维点云语义分割方法，实现步骤为：(1)构建分割网络；(2)构建梯度估计模块；(3)构建对抗网络；(4)构建基于分割网和对抗网三维点云语义分割网络；(5)初始化分割网络和对抗网络；(6)生成训练数据集和训练标签集；(7)训练分割网络和对抗网络；(8)对三维点云数据进行分割。本发明通过对抗网络提取高维特征，分割网络进行点云分割，具有测试阶段点云分割时间短、分割结果精度高的优点。
-
公开(公告)号：CN105894013B
公开(公告)日：2019-04-23
申请号：CN201610186867.X
申请日：2016-03-29
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于CNN和SMM的极化SAR图像分类方法，用于解决现有极化SAR图像分类方法因存在图像空间邻域信息丢失而导致分类精度不高的问题，包括如下步骤：对极化SAR图像进行滤波；选取训练样本集合；提取样本特征；初始化卷积神经网络CNN；归一化样本特征，训练卷积神经网络CNN；提取feature map；输入feature map到SMM分类器中训练；利用训练好的SMM分类器进行极化SAR图像分类；输出分类结果，并计算分类精度。本发明直接考虑更能体现空间邻域信息的feature map，同时引入SMM分类器，明显地提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。
-
公开(公告)号：CN107871119A
公开(公告)日：2018-04-03
申请号：CN201711059887.1
申请日：2017-11-01
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/6256 , G06K2209/21
Abstract: 本发明公开了一种基于目标空间知识和两阶段预测学习的目标检测方法，利用各种数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和新设计的RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，得到最终的检测结果。本发明与现有的一些方法相比，同时考虑了遥感目标的视觉特性和空间特性，并利用特征提取能力卓越的深层网络实现了端到端的目标候选、特征提取与分类定位，明显提高了遥感目标的检测率，降低了虚警率。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.041 seconds)
