-
公开(公告)号：CN110246171B
公开(公告)日：2022-07-19
申请号：CN201910498111.2
申请日：2019-06-10
Applicant: 西北工业大学
Abstract: 本发明涉及一种实时单目视频深度估计方法，结合二维卷积神经网络2D‑CNN和卷积的长短时记忆网络，构建出能够同时利用空间及时序信息对单目视频数据进行实时深度估计的模型。同时利用生成对抗网络GAN来对估计得到的结果进行约束。评估精度上，与当前state‑of‑the‑art模型可比。使用开销上，模型运行速度更快，模型参数量更少，需要的计算资源更少。且本模型估计得到的结果具有很好的时间一致性，在对连续多帧进行深度估计时，得到的深度结果图变化情况与输入的RGB图变化情况一致，不会出现突变，抖动。
-
公开(公告)号：CN110009015A
公开(公告)日：2019-07-12
申请号：CN201910225506.5
申请日：2019-03-25
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于轻量化网络和半监督聚类的高光谱小样本分类方法，通过使用Point-wise卷积核，Depth-wise卷积核和双loss构建轻量化网络模型，Point-wise卷积核和Depth-wise卷积核能够极大减少参数数量，降低网络训练过程中对训练样本的需求；双loss策略可以将深度特征空间更加可分，更利于在深度特征空间进行分类和聚类。此外，半监督近似秩序聚类算法能够选出更多有自信的伪标签，为网络训练效果的提升提供了更有利的条件。本发明实现了小样本条件下，高光谱图像深度特征和标签数据的自主提取，高精度的分类。
-
公开(公告)号：CN105654117B
公开(公告)日：2019-01-25
申请号：CN201510992076.1
申请日：2015-12-25
Applicant: 西北工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于SAE深度网络的高光谱图像空谱联合的分类方法，替代了传统的PCA降维后使用邻域信息作为空间特征，使用当前像素点的空间位置信息，即行列坐标作为空间特征，然后和其谱特征结合作为训练样本的空谱联合特征，进而提出一种基于SAE深度网络的高光谱图像空谱联合分类方法。本发明的有益效果在于：改进了传统的基于SAE深度网络空谱联合分类中提取空间特征的方法，使用空间位置信息作为空间特征而不是传统的提取空间特征的方法即在谱空间上进行主成分分析(PCA)降维后提取邻域的空间信息作为空间特征，不仅简化了空间特征的提取方法，减少了运算量，而且相较于传统的方法提高了分类精度。
-
公开(公告)号：CN105654117A
公开(公告)日：2016-06-08
申请号：CN201510992076.1
申请日：2015-12-25
Applicant: 西北工业大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267
Abstract: 本发明涉及一种基于SAE深度网络的高光谱图像空谱联合的分类方法，替代了传统的PCA降维后使用邻域信息作为空间特征，使用当前像素点的空间位置信息，即行列坐标作为空间特征，然后和其谱特征结合作为训练样本的空谱联合特征，进而提出一种基于SAE深度网络的高光谱图像空谱联合分类方法。本发明的有益效果在于：改进了传统的基于SAE深度网络空谱联合分类中提取空间特征的方法，使用空间位置信息作为空间特征而不是传统的提取空间特征的方法即在谱空间上进行主成分分析(PCA)降维后提取邻域的空间信息作为空间特征，不仅简化了空间特征的提取方法，减少了运算量，而且相较于传统的方法提高了分类精度。
-
-
Patent Agency Ranking
公开(公告)号：CN109784347A
公开(公告)日：2019-05-21
申请号：CN201811544066.1
申请日：2018-12-17
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法，通过使用稠密连接机制构建多尺度稠密卷积神经网络，稠密链接机制能够有效的缓解梯度消失问题，加强了特征传播，鼓励特征复用以及极大地减少了参数数量，降低了网络训练过程中对训练样本的需求；此外网络并结合谱注意力机制，对谱方向的特征利用更加有效。本发明实现了小样本条件下，高光谱图像深度特征的自主提取，高精度的分类。本发明与现有的基于深度学习的高光谱图像分类方法相比，样本需求量更小，精度更高。
-
-
公开(公告)号：CN106022355B
公开(公告)日：2019-03-29
申请号：CN201610301687.1
申请日：2016-05-09
Applicant: 西北工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像数据为三维结构的特点，构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先，从原始高光谱图像中，提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征，并结合待分类像元的标签训练构建好的3DCNN网络。然后，利用经过训练的3DCNN完成高光谱图像空谱联合分类。有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题；2)构建出适用于三维结构的高光谱图像数据的3DCNN，充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦；3)基于3DCNN的高光谱图像空谱联合分类方法。4)提高了高光谱图像分类精度。
-
公开(公告)号：CN110866552B
公开(公告)日：2023-04-14
申请号：CN201911078729.X
申请日：2019-11-06
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于全卷积空间传播网络的高光谱图像分类方法，针对高光谱图像分类问题，结合深度学习相关技术，首次将基于全卷积空间传播网络应用于高光谱图像分类中。传统的基于卷积神经网络的高光谱图像分类方法都是对图像进行逐像素分类，存在着大量的重复运算，且输入图像的大小对于分类结果有着很大的影响。而全卷积空间传播网络减少了重复运算的同时还可以接受任何尺寸的输入图像，并且充分利用了高光谱图像的空间信息，从而实现一定条件下高光谱图像的高精度分类。
-
公开(公告)号：CN110222773B
公开(公告)日：2023-03-24
申请号：CN201910497281.9
申请日：2019-06-10
Applicant: 西北工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于不对称分解卷积网络的高光谱图像小样本分类方法，首先，构建不对称分解三维卷机网络模型，从多个不同传感器采集的预训练高光谱图像数据中提取所有有标注的样本构建混合了多个高光谱图像样本的预训练数据，并利用预训练数据对构建的网络模型进行预训练。之后，将经过预训练的模型迁移到目标高光谱图像数据上来，从目标高光谱图像数据中提取少量有标注的样本作为训练数据，并对迁移后的模型进行微调。最后，利用经过微调的网络模型对整个目标高光谱图像数据集进行分类。与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.017 seconds)
