-
公开(公告)号：CN119992107A
公开(公告)日：2025-05-13
申请号：CN202510465927.0
申请日：2025-04-15
Applicant: 西北工业大学宁波研究院
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/094 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明提供了基于自适应空间变换的半监督语义分割动态增强方法，包括以下步骤：给定有标签数据集以及无标签数据集；构建第一损失函数，训练出学生模型；初始化教师模型，对无标签数据集进行预测，预测结果作为伪标签；计算无标签数据集的信息熵；对无标签图像进行空间增强处理，使用学生模型对空间增强结果进行预测；构建第二损失函数，并根据第一损失函数与第二损失函数构建总损失函数，通过总损失函数进一步训练学生模型；通过训练后的学生模型对测试集图像进行预测，计算平均交并比，根据平均交并比选择训练效果最佳的一组学生模型。本发明通过动态调整空间变换的幅度和方向，增强模型的泛化性，实现高精度的语义分割。
-
公开(公告)号：CN118279701B
公开(公告)日：2024-10-18
申请号：CN202410692426.1
申请日：2024-05-31
Applicant: 西北工业大学
IPC: G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/82
Abstract: 本发明公开了模型和样本存储资源联合优化的持续进化学习方法与系统，涉及图像持续识别技术领域，包括如下步骤：采集若干连续图像构建样本数据集；对模型可学习参数的更新；对模型可学习参数的掩码梯度的更新；样本学习权重的更新并保存样本。本发明经过可学习参数微调快速将模型适应于下游任务，通过可学习参数掩码的更新动态调整模型参数，通过样本权重的更新动态调整各个样本对模型的贡献度，用双层优化将这三部分的更新统领在一起，使得各个部分的更新更加合理，同时实现了动态平衡模型内存空间和保存样本所需的内存空间，打破以往单一考虑模型内存空间优化或样本内存空间优化的局限，能更进一步提高内存空间的利用率。
-
公开(公告)号：CN112308860B
公开(公告)日：2024-01-12
申请号：CN202011177523.5
申请日：2020-10-28
Applicant: 西北工业大学
IPC: G06T7/10 , G06V10/46 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种基于自监督学习的对地观测图像语义分割方法。采用语义图像修复任务作为自监督学习的辅助任务对编解码图像修复网络进行预训练，并引入显著性检测和注意力机制，以提高网络的区域特征提取能力；随后，将预训练的网络经过微调用于语义分割任务，实现对仅有少量标签的对地观测图像数据集的语义分割。本发明能够解决标注数据不足的情况下现有语义分割方法难以从对地观测图像中提取特征和分割精度不足的问题，具有更高的语义分割精度。
-
公开(公告)号：CN103413302A
公开(公告)日：2013-11-27
申请号：CN201310323474.5
申请日：2013-07-29
Applicant: 西北工业大学
Abstract: 本发明公开了一种相机阵列动态焦平面估计方法，用于解决现有基于相机阵列合成孔径成像的隐藏目标透视成像方法自动性能差的技术问题。技术方案是将相机阵列自动聚焦和遮挡动目标透视成像分为聚焦和成像两个模块，两个模块无缝地融合在整体算法框架中，通过两模块之间的无缝交互实现自动聚焦和清晰成像；在聚焦模块，采用基于局部和全局约束优化的动态估计最优焦平面估计算法；在成像模块中，采用基于可视度分析的主动合成孔径成像算法。由于该方法通过基于局部和全局约束优化的方法对动目标最优聚焦平面进行估计，进而基于可视度分析有效地在合成图像上去除遮挡物，显著地改善了遮挡动目标合成孔径成像的质量，且自动性能好。
-
公开(公告)号：CN120014472A
公开(公告)日：2025-05-16
申请号：CN202510495336.8
申请日：2025-04-21
Applicant: 西北工业大学宁波研究院
IPC: G06V20/10 , G06V10/82 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0895 , G06N3/096 , G06N3/084
Abstract: 本发明涉及一种基于自适应特征扰动的半监督遥感图像变化检测方法，采用弱增强训练集训练教师模型，并通过最大值归一化处理得到预测确定性值来缓解伪标签不可靠带来的不利影响；接着，基于每个预测确定性值定制自适应特征扰动方案，能够根据样本质量动态调整样本特征的扰动，在随机扰动的基础上增加了可控性，从而显著减少了学生模型的确认偏差，提高学生模型对遥感图像变化半监督变化检测的性能。
-
Patent Agency Ranking
公开(公告)号：CN119942127A
公开(公告)日：2025-05-06
申请号：CN202510414052.1
申请日：2025-04-03
Applicant: 西北工业大学宁波研究院
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06V10/42 , G06V10/44 , G06V10/82 , G06V20/70
Abstract: 本发明提供了基于并行网络结构的无监督域适应遥感图像语义分割方法，包括：步骤S1，获取源域数据集和目标域数据集；步骤S2，构建并行网络模型；步骤S3，基于源域数据集对并行网络模型进行训练以构建源域交叉熵损失函数；步骤S4，通过并行网络模型对目标域数据集进行预测生成伪标签并构建目标域交叉熵损失函数；步骤S5，构建通道注意力加权模块得到共享注意力权重，利用共享注意力权重对源域特征和目标域特征进行逐通道加权生成对齐后源域特征和对齐后目标域特征；步骤S6，最小化分布差异进行特征对齐，并基于总损失函数对并行网络模型进行优化；步骤S7，测试得到平均交并比作为语义分割评价指标。有益效果是本发明能够实现高精度的语义分割。
-
公开(公告)号：CN118379491A
公开(公告)日：2024-07-23
申请号：CN202410341110.8
申请日：2024-03-25
Applicant: 西北工业大学宁波研究院
IPC: G06V10/26 , G06V20/70 , G06V10/82 , G06N3/096 , G06N3/0464 , G06N3/09 , G06N3/0895 , G06N3/088
Abstract: 本发明涉及一种基于加权特征相似性约束的半监督语义分割方法，通过在一致性正则化方法的基础上增加了一个利用强数据增强的数据分支，并在两个无标注强增强图像数据子集在学生模型的特征输出中添加了特征相似性约束，该方式对类内特征使用类感知相似性约束来保持半监督的聚类能力的同时，包含对分布外数据的像素级特征的对比计算，此外，为了减少相似性损失计算中引入的隐式噪声，本发明加入了一个特征加权相似性损失计算，强调对高概率分布内样本的学习，以此减少了不确定噪声样本的影响，本方法能减少半监督语义分割中类别不平衡问题所带了的性能退化，在长尾分布中的尾类类别上具有更加明显的效果。
-
公开(公告)号：CN115307636B
公开(公告)日：2024-04-30
申请号：CN202210828562.X
申请日：2022-07-13
Applicant: 西北工业大学
Abstract: 本发明公开了一种智能轮椅自主导航方法，包括全局路径规划和局部路径规划两部分；使用A*算法作为全局路径规划算法，同时使用弹性时间带算法(Time Elastic Band，TEB)算法作为局部路径规划算法，设计了在特定场合实现自主导航的智能轮椅系统，为解决医院的老年人和病人行动难以及缺少看护的问题，以及为智能化医疗，医院人性化服务做出一定程度的贡献。
-
公开(公告)号：CN118279701A
公开(公告)日：2024-07-02
申请号：CN202410692426.1
申请日：2024-05-31
Applicant: 西北工业大学
IPC: G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/82
Abstract: 本发明公开了模型和样本存储资源联合优化的持续进化学习方法与系统，涉及图像持续识别技术领域，包括如下步骤：采集若干连续图像构建样本数据集；对模型可学习参数的更新；对模型可学习参数的掩码梯度的更新；样本学习权重的更新并保存样本。本发明经过可学习参数微调快速将模型适应于下游任务，通过可学习参数掩码的更新动态调整模型参数，通过样本权重的更新动态调整各个样本对模型的贡献度，用双层优化将这三部分的更新统领在一起，使得各个部分的更新更加合理，同时实现了动态平衡模型内存空间和保存样本所需的内存空间，打破以往单一考虑模型内存空间优化或样本内存空间优化的局限，能更进一步提高内存空间的利用率。
-
公开(公告)号：CN117268385A
公开(公告)日：2023-12-22
申请号：CN202310869868.4
申请日：2023-07-17
Applicant: 西北工业大学
IPC: G01C21/20
Abstract: 本发明公开了一种基于最优策略回放的室内机器人视觉导航方法，分为on‑policy算法和off‑policy算法，通过在on‑policy中训练当前导航目标，在off‑policy中回顾旧导航目标来减少灾难性遗忘。该方法一个单特征提取网络和一个策略网络。策略网络的输入是状态特征提取网络的输出，即当前图像的高级特征图。整个网络的输出是两个函数：策略函数π(a|s)和价值函数Q(s|a)。整个训练过程分为两个阶段：on‑policy阶段和off‑policy阶段。在on‑policy阶段，代理通过与环境的交互学习新目标的策略，而在off‑policy阶段，代理使用存储在memory中的旧目标的最优经验来回顾已学习的策略，来防止灾难性遗忘。本发明度的利用了memory中的经验来学习旧导航目标的经验，可以最大限度的减少遗忘。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.019 seconds)
