-
公开(公告)号：CN112017116B
公开(公告)日：2024-02-23
申请号：CN202010718581.8
申请日：2020-07-23
Applicant: 西北大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于非对称卷积的图像超分辨率重建网络及其构建方法，所述图像超分辨率重建网络包括：第一特征提取模块；第二特征提取模块，连接第一特征提取模块；第一放大模块，连接第二特征提取模块；第二放大模块，连接第一特征提取模块的输入端；求和模块，连接第一放大模块的输出端和第二放大模块的输出端；其中，第二特征提取模块包括m个依次串联的BG模块，每个BG模块包括依次串联的n个非对称卷积残差块和一个卷积层。本发明提供的图像超分辨率重建网络减少了参数量和计算量，提高了网络推理速度，同时提升了网络性能。
-
公开(公告)号：CN117237213A
公开(公告)日：2023-12-15
申请号：CN202311103905.7
申请日：2023-08-30
Applicant: 西北大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于深度学习的多时相遥感图像厚云去除方法，包括以下步骤：步骤1，构建模拟厚云遮挡遥感数据集；步骤2，构建第一阶段全局多时相特征融合网络；步骤3，构建第二阶段局部单时相信息恢复网络；步骤4，通过两阶段网络构建多时相遥感图像厚云去除总网络模型；步骤5，以L1损失函数为基础构建关于第一阶段和第二阶段网络总损失函数；步骤6，通过遥感图像模拟数据集训练多时相遥感图像厚云去除网络模型，通过总损失函数驱动网络模型的训练并指导网络模型的优化。本发明结合CNN(卷积神经)结构和Transformer结构，为遥感图像处理中具有挑战性的厚云去除问题提供了有效的解决方案。
-
-
公开(公告)号：CN109886900B
公开(公告)日：2023-04-28
申请号：CN201910198028.3
申请日：2019-03-15
Applicant: 西北大学
Abstract: 本发明公布了一种基于字典训练和稀疏表示的合成雨图除雨方法，通过改进应用于图像超分辨率重建的方法，使其应用于合成雨图的除雨恢复。在训练阶段运用一幅纯雨模板对一组无雨图像加雨，构造“有雨‑无雨”训练集并通过训练得到有雨字典和无雨字典；在测试阶段运用另一幅纯雨模板对测试无雨图像进行加雨得到测试合成雨图，基于有雨字典对其进行稀疏表示得到其稀疏表示系数。同样基于有雨字典得到第三幅不同的纯雨模板的稀疏表示系数，再将两个稀疏表示系数相减进一步去除表示系数中的涉雨成分。最后，将相减后的稀疏表示系数与训练出的无雨字典结合，得到测试合成雨图的最终除雨结果。本发明在对图像除雨的同时能够较好地保护图像中的细节信息。
-
公开(公告)号：CN114764752A
公开(公告)日：2022-07-19
申请号：CN202110051613.8
申请日：2021-01-15
Applicant: 西北大学
Abstract: 本发明公布了一种基于深度学习的夜晚影像去雾算法，这种端到端的网络结构更加适合工程实用化。夜晚图像的光照不均、色偏严重和亮度较低等特点，采用传统基于大气散射模型的去雾算法并不适用，本发明重点依托深度学习强大的非线性拟合能力，将U‑Net网络与双树复小波变换相结合，在网络模型中融入更多的残差结构以提取夜晚有雾图像的结构和纹理信息，并将注意力模块引入网络以有效量化特征层之间的相对重要性。通过自行构建的“有雾‑无雾”夜晚数据集，根据“全局‑局部”损失函数计算误差，并基于误差反向传播调整网络权重，多次迭代训练最终得到一个训练完备的夜晚图像去雾网络模型。所提方法可抑制去雾任务中频繁上、下采样所带来的网状伪影问题。
-
Patent Agency Ranking
公开(公告)号：CN111308431B
公开(公告)日：2022-02-18
申请号：CN202010126016.2
申请日：2020-02-27
Applicant: 西北大学
IPC: G01S7/36
Abstract: 本发明公开了一种基于估计误差的两维两脉冲对消方法，包括：根据机载雷达系统的估计误差得到估计归一化多普勒频率；根据所述估计归一化多普勒频率得到空时导向矢量字典；根据所述空时导向矢量字典得到与待检测距离单元最相关的导向矢量；根据所述最相关的导向矢量得到滤波系数矩阵。本发明提供的基于估计误差的两维两脉冲对消方法将机载雷达系统估计误差的先验知识应用于滤波系数矩阵的设计中，提高了TDPC的滤波性能以及后续非自适应检测算法或STAP算法的动目标检测能力。
-
公开(公告)号：CN110988874A
公开(公告)日：2020-04-10
申请号：CN201911089853.6
申请日：2019-11-08
Applicant: 西北大学
IPC: G01S13/90
Abstract: 本发明涉及一种复杂运动目标的ISAR成像方法，包括：获取待测目标在每个距离单元中的散射点的雷达回波信号；对所述雷达回波信号进行脉冲压缩处理和运动补偿后建模为立方相位信号；采用非均匀采样积分型修正调频率-二次调频率分布函数对所述立方相位信号进行参数估计，得到预估参数；根据所述预估参数更新每个距离单元中的散射点的所述雷达回波信号；根据更新后的雷达回波信号得到所述待测目标的ISAR图像。本发明的方法采用NIM-CRQCRD对立方相位信号进行参数估计，只需采用快速傅里叶变换就可以实现参数估计，极大了简化了计算过程，而且可以有效提高本发明方法的抗噪声性能。
-
公开(公告)号：CN108983209A
公开(公告)日：2018-12-11
申请号：CN201810383727.0
申请日：2018-04-26
Applicant: 西北大学
Abstract: 本发明公开了一种杂波加噪声信号的协方差矩阵的计算方法以及基于对称协方差矩阵的杂波抑制方法，其中，杂波加噪声信号的协方差矩阵的计算方法对每个距离环对应的回波信号分别进行多普勒滤波，分别得到多个多普勒通道下的多普勒滤波后的回波信号；在多个距离环中选取与待检测距离环处于设定距离范围内的距离环作为估计距离环；对选取的所有估计距离环对应的同一多普勒通道下的多普勒滤波后的回波信号进行协方差估计，得到该多普勒通道下的初步协方差矩阵；基于得到的初步协方差矩阵，计算杂波加噪声协方差矩阵。上述技术方案减少了估计矩阵所使用的样本数，且计算量较小。
-
公开(公告)号：CN118570229A
公开(公告)日：2024-08-30
申请号：CN202410656909.6
申请日：2024-05-24
Applicant: 西北大学
IPC: G06T7/11 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80
Abstract: 本发明属于遥感图像处理技术领域，具体公开了一种基于深度学习的遥感冰川分割方法，包括：对遥感数据进行预处理以构建数据集；生成全局正负标签样本和边界区域正负标签样本；构建基于深度学习的遥感冰川分割网络；使用以全局正负标签样本和L1损失函数为基础构建的对比损失函数来指导遥感冰川分割网络进行第一阶段的训练，并对输入训练图像随机掩码；使用以边界区域正负标签样本和L1损失函数为基础构建的对比损失函数来指导遥感冰川分割网络进行第二阶段的训练，并对输入训练图像随机掩码；使用Dice损失函数来指导遥感冰川分割网络进行第三阶段的训练。本发明结合CNN(卷积神经网络)结构和Swin Transformer(滑动窗口Transformer)结构，实现对遥感冰川特征信息的提取与融合。
-
公开(公告)号：CN117765240A
公开(公告)日：2024-03-26
申请号：CN202311746823.4
申请日：2023-12-19
Applicant: 西北大学
Abstract: 本发明公开了一种自适应卷积和细节增强的小目标检测方法，包括：基于Pytorch框架下的Ultralytics搭建一阶段卷积神经网络，卷积神经网络的主干网络采用自适应卷积小目标检测主干，自适应卷积网络中的卷积核是一系列具有不同感受野的分解深度卷积。通过将不同分辨尺度的特征信息进行融合，同时关注到不同采样深度下的图像信息，利用浅层的全局和背景的特征来修正深层特征的误差，关注更多上下文信息。本发明能够完成实时的小目标检测任务，可以应用于民用的消防、测绘领域或用于军用侦查和战场巡逻工作。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.027 seconds)
