-
公开(公告)号：CN110210562A
公开(公告)日：2019-09-06
申请号：CN201910473936.9
申请日：2019-06-02
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度网络和稀疏Fisher矢量的图像分类方法，旨在解决现有技术中存在的的准确率较低的技术问题，实现步骤为：获取训练数据集和待分类数据集；构建深度神经网络A，对深度神经网络A进行训练，得到深度神经网络B；提取深度神经网络B中第二个全连接层的图像特征，对特征建立高斯混合模型Z1，然后对Z1中的特征向量进行稀疏Fisher矢量编码；用稀疏Fisher编码后的特征对应的图像对深度神经网络B进行训练，得到深度神经网络C；将待分类数据集输入深度神经网络C进行图像分类。本发明提高了分类的准确率和分类效率，可用于对医疗和交通等领域图像的分类。
-
公开(公告)号：CN110033473A
公开(公告)日：2019-07-19
申请号：CN201910297980.9
申请日：2019-04-15
Applicant: 西安电子科技大学
IPC: G06T7/20
Abstract: 本发明公开了一种基于模板匹配和深度分类网络的运动目标跟踪方法，主要解决现有技术目标检测速度慢，及在目标发生外观形变、遮挡时时跟踪不准确的问题。其实现方案为：1)搭建双残差深度分类网络，并对其进行训练；2)在双残差深度分类网络中提取模板网络和检测网络；3)利用模板网络提取模板特征；4)利用检测网络提取检测特征；5)将模板特征在检测特征上进行模板匹配，得到模板匹配图；6)根据模板匹配图确定目标位置；7)根据目标位置更新模板特征；8)判断当前帧是否为最后一帧，若是，结束目标跟踪，否则，将更新后的模板特征作为下一帧的模板特征，返回4)。本发明跟踪速度快，准确率高，用于对剧烈形变、光照变化视频目标跟踪。
-
公开(公告)号：CN109377511A
公开(公告)日：2019-02-22
申请号：CN201811004598.6
申请日：2018-08-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于样本组合和深度检测网络的运动目标跟踪方法，本发明实现步骤为：(1)利用样本组合的数据增强方法生成训练样本集；(2)设置训练样本集的归一化标签；(3)构建深度检测网络；(4)利用训练样本集训练深度检测网络；(5)将含待跟踪目标的彩色视频图像序列依次输入训练好的深度检测网络中，输出运动目标跟踪坐标。本发明利用样本组合的数据增强方法生成训练样本集，训练深度检测网络，利用备选框置信度值确定待跟踪目标的位置，解决了目标识别速度慢以及当目标发生外观形变时跟踪不准确的问题。
-
公开(公告)号：CN109271865A
公开(公告)日：2019-01-25
申请号：CN201810943111.4
申请日：2018-08-17
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 一种基于散射变换多层相关滤波的运动目标跟踪方法，其步骤如下：(1)确定待跟踪目标初始位置(2)计算相关滤波器权值；(3)对下一帧图像的搜索窗区域进行非下采样散射变换；(4)计算相关滤波器最大响应值；(5)计算各层的权值损失并求得每一层的权值；(6)更新相关滤波器参数；(7)判断当前帧图像是否为待跟踪视频序列的最后一帧图像，若是，则执行步骤(8)，否则，执行步骤(3)；(8)结束跟踪。本发明通过基于散射变换多层相关滤波的运动目标跟踪方法，能够利用目标的散射描述子提取目标信息，使用多层相关滤波器获得最优结果，从而预测待跟踪目标位置。
-
公开(公告)号：CN108280461A
公开(公告)日：2018-07-13
申请号：CN201711293508.5
申请日：2017-12-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种使用OpenCL加速的快速全局K-均值聚类方法，实现的步骤是：(1)读入数据集和聚类总数；(2)在OpenCL硬件设备端转置数据；(3)计算质心，作为第一个初始聚类中心点；(4)使用K-means算法聚类；(5)在OpenCL硬件设备端选取新的初始聚类中心点；(6)判断当前聚类中心点总数是否小于或者等于聚类总数，若是，则执行第(4)步，若不是，则执行第(7)步；(7)输出聚类结果。本发明可在任何支持开放运算语言OpenCL的硬件设备上实现对海量的聚类数据实时处理。
-
Patent Agency Ranking
公开(公告)号：CN104484681B
公开(公告)日：2018-03-13
申请号：CN201410577411.7
申请日：2014-10-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于空间信息和集成学习的高光谱遥感影像分类方法，主要解决传统单一分类器自身的局限性和现有集成方法只是利用光谱信息而忽略空间信息的问题。其实现步骤为：1)对高光谱遥感影像数据做PCA变换并提取第一主成分，并对第一主成分进行图像分割，得到一幅分割图；2)用随机特征子集选择方法得到Z个波段子集；3)用SVM对特征子集分别进行训练和测试，得到Z个预测集；4)用多数投票法融合分割图和Z个预测集，得到Z个融合后的标签集；5)对Z个标签集再次用多数投票法进行融合，得到最终的分类映射。本发明在随机特征子集选择集成方法中引入空间信息，极大的提高了分类效果，可用于实际中训练样本特别少的分类。
-
公开(公告)号：CN107172426A
公开(公告)日：2017-09-15
申请号：CN201710490906.X
申请日：2017-06-23
Applicant: 西安电子科技大学
IPC: H04N19/132 , H04N19/139 , H04N19/176 , H04N19/513 , H04N19/59 , H04N7/01
Abstract: 本发明提出了一种基于双MIC的OpenCL并行帧率上转换方法，在保证图像质量的前提下，有效缩短帧率上转换的运行时间，提高帧率上转换的运行效率。实施步骤为：主线程对OpenCL设备的MIC1和MIC2进行初始化；主线程对读入的视频进行编号；主线程定义信号量并初始化；主线程在主机上开辟内存并创建子线程1和子线程2；子线程1控制MIC1，执行运动估计算法，同时子线程2控制MIC2，执行运动补偿算法，实现视频帧率的上转换；主线程关闭子线程1和子线程2。本发明有效地提高了算法的运行效率，可用于视频帧率上转换领域。
-
公开(公告)号：CN106934419A
公开(公告)日：2017-07-07
申请号：CN201710137886.8
申请日：2017-03-09
Applicant: 西安电子科技大学
CPC classification number: G06K9/6267 , G06K9/4628
Abstract: 本发明公开了一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法，主要解决现有技术分类精度较低的问题。其实现步骤是：1.输入待分类极化SAR图像的极化相干矩阵T并归一化；2.根据归一化后的矩阵，分别构造训练数据集和测试数据集的特征矩阵；3.构造复数卷积神经网络，进而得到复数轮廓波卷积神经网络；4.用训练数据集训练复数轮廓波卷积神经网络，得到训练好的模型；5.将测试数据集的特征矩阵输入到训练好的模型中进行分类，得到分类结果。本发明将卷积神经网络延拓至复数域进行运算并提取多尺度、多方向、多分辨特性的图像特征，有效提高了极化SAR图像的分类精度，可用于目标检测与识别。
-
公开(公告)号：CN104239522B
公开(公告)日：2017-05-24
申请号：CN201410475968.X
申请日：2014-09-17
Applicant: 西安电子科技大学
Abstract: 本发明属于图像处理技术领域，具体公开了一种基于图像间内容约束的超像素编码图像检索方法。其步骤为：1)对图像进行超像素分割，记录各超像素块的位置信息；2)提取图像的超像素块的SIFT和LBP融合特征；3)从图像库中随机选取训练图像的超像素块融合特征，通过K‑means聚类生成字典；4)输入检索图像，通过该字典对检索图像编码，并对除检索图像外的图像进行初始编码。5)对图像库中的图像进行初始编码，通过在待检索图像相应区域内筛选最相似的编码值作为预测编码之后再对图像库中的图像进行约束编码；6)对待检索图像和图像库中的其余图像编码，并计算相似度匹配，按照匹配值显示检索结果。本发明具有较高准确率和回调率。
-
公开(公告)号：CN104463805B
公开(公告)日：2017-03-15
申请号：CN201410782610.1
申请日：2014-12-16
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明具体提供了一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法，实现步骤为：1)读入相干矩阵格式的极化SAR数据得到图像O，计算O的SPAN系数得到SPAN图像S；2)计算同质性显著度图，得到显著图Z；3)判断O中每个点的方向；4)确定每一点的相似邻域D；5)在D内对极化SAR图像O降斑处理；6)将搜索窗尺寸扩大到17×17，对上一步得到的滤波结果重复3)～5)的操作再进行一次滤波，得到最终滤波结果；7)用Pauli向量法将滤波后的相干矩阵合成伪彩图。本发明相比现有技术显著提高了极化SAR图像相干斑的抑制能力，同时很好的保护了边缘与纹理细节信息，可用于极化SAR图像的预处理过程。
-
-
-
-
-
-
-
-
-
Search Results
322
records
(took 0.07 seconds)
