-
公开(公告)号：CN108492319B
公开(公告)日：2021-09-03
申请号：CN201810193049.1
申请日：2018-03-09
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度全卷积神经网络的运动目标检测方法，用于解决现有有监督运动目标检测方法中存在的检测精度低和检测复杂度高的技术问题，实现步骤为：(1)提取视频场景的背景图像；(2)获取多通道视频帧序列；(3)构建训练样本集与测试样本集，并对该两个样本集进行归一化；(4)构建深度全卷积神经网络模型；(5)对深度全卷积神经网络模型进行训练；(6)用训练好的深度全卷积神经网络模型对测试样本集进行预测；(7)获取运动目标检测结果。本发明通过深度全卷积神经网络模型实现运动目标检测，提高了运动目标检测的精度，并降低了检测的复杂度，可用于监控视频的目标识别、目标追踪与动作识别等领域。
-
公开(公告)号：CN109389080A
公开(公告)日：2019-02-26
申请号：CN201811162325.4
申请日：2018-09-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于半监督WGAN-GP的高光谱图像分类方法，克服了现有技术在训练数据受限条件下难以提取到丰富的特征信息，无法充利用无标签样本对分类器进行训练，分类精度低的问题。本发明的具体步骤包括：(1)输入待分类的高光谱图像；(2)生成样本集；(3)构建半监督WGAN-GP网络；(4)训练半监督WGAN-GP网络；(5)对测试数据进行分类。本发明能通过半监督WGAN-GP中的生成器接收噪声产生伪高光谱数据辅助判别器分类，可以充分利用有限样本提高分类精度，可用于在精细农业、低质调研等领域中对高光谱图像进行地物目标的分类。
-
公开(公告)号：CN108492319A
公开(公告)日：2018-09-04
申请号：CN201810193049.1
申请日：2018-03-09
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度全卷积神经网络的运动目标检测方法，用于解决现有有监督运动目标检测方法中存在的检测精度低和检测复杂度高的技术问题，实现步骤为：(1)提取视频场景的背景图像；(2)获取多通道视频帧序列；(3)构建训练样本集与测试样本集，并对该两个样本集进行归一化；(4)构建深度全卷积神经网络模型；(5)对深度全卷积神经网络模型进行训练；(6)用训练好的深度全卷积神经网络模型对测试样本集进行预测；(7)获取运动目标检测结果。本发明通过深度全卷积神经网络模型实现运动目标检测，提高了运动目标检测的精度，并降低了检测的复杂度，可用于监控视频的目标识别、目标追踪与动作识别等领域。
-
公开(公告)号：CN109389080B
公开(公告)日：2022-04-19
申请号：CN201811162325.4
申请日：2018-09-30
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于半监督WGAN‑GP的高光谱图像分类方法，克服了现有技术在训练数据受限条件下难以提取到丰富的特征信息，无法充利用无标签样本对分类器进行训练，分类精度低的问题。本发明的具体步骤包括：(1)输入待分类的高光谱图像；(2)生成样本集；(3)构建半监督WGAN‑GP网络；(4)训练半监督WGAN‑GP网络；(5)对测试数据进行分类。本发明能通过半监督WGAN‑GP中的生成器接收噪声产生伪高光谱数据辅助判别器分类，可以充分利用有限样本提高分类精度，可用于在精细农业、低质调研等领域中对高光谱图像进行地物目标的分类。
-
-
-
Search Results
4
records
(took 0.018 seconds)
