-
公开(公告)号：CN106651778A
公开(公告)日：2017-05-10
申请号：CN201610349594.6
申请日：2016-05-25
Applicant: 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/001 , G06T2207/10036 , G06T2207/20081
Abstract: 本发明公开了一种基于自适应耦合观测与非线性压缩学习的光谱成像方法，主要解决现有技术无法保证观测矩阵与学习得到的字典不相关的问题。其实现步骤为：1.把原始空间中的信号投影到特征空间上；2.利用KPCA的方法，在特征空间中进行字典学习，求得稀疏字典；3.随机初始化观测矩阵，对由稀疏字典和初始观测矩阵的乘积组成的感知矩阵进行迭代训练，得到经过耦合优化的观测矩阵；4.通过核压缩感知的方法实现非线性压缩感知光谱成像；5.利用pre‑image方法恢复出原信号。实验结果表明：在不同的采样率下，本发明与现有以高斯随机矩阵作为观测矩阵的方法相比，其重构效果较好，可用于高光谱图像的低成本与高质量获取。
-
公开(公告)号：CN118115804A
公开(公告)日：2024-05-31
申请号：CN202410279218.9
申请日：2024-03-12
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/52 , G06V10/766 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了基于半弦偏移与知识蒸馏的旋转目标检测方法，包括以下步骤；步骤1，构建教师网络与学生网络联合训练的知识蒸馏检测框架；步骤2，构建教师网络的特征金字塔，输出教师的多尺度特征图；步骤3，构建教师和学生的骨干网络的残差级联特征蒸馏模块，得到学生的多尺度特征图；步骤4，构建半弦偏移表征模块，将特征图输入半弦偏移表征模块，输出的分类分支结果；步骤5，对分类分支结果和回归分支结果进行逻辑蒸馏，得到检测结果图像。本发明通过设计旋转框表征范式，并结合知识蒸馏框架来提高小模型的建模能力，以解决上述现有技术的缺点以提高遥感目标检测的精度。
-
公开(公告)号：CN117150357A
公开(公告)日：2023-12-01
申请号：CN202311080133.X
申请日：2023-08-25
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0464
Abstract: 本发明提出了一种基于多传感器相关特征融合的旋转机械设备故障诊断方法，实现步骤为：获取训练样本集和测试样本集；搭建基于多传感器相关特征融合网络的故障诊断模型；初始化参数；对故障诊断模型进行训练；获取训练好的故障诊断模型；获取故障诊断目标分类结果。本发明在对故障诊断模型进行训练以及获取诊断结果的过程中，由于多传感器相关特征融合网络可以对通过多传感器特征提取网络的输出结果所构建的传感器内标签相关矩阵与传感器间标签相关矩阵进行融合，实现了不同传感器间故障信息的互补，有效的提高了故障诊断的准确率。通过融合时域和时频域两个模态的故障信息，避免了现有技术的缺陷，进一步提高了故障诊断的准确率。
-
公开(公告)号：CN116805376A
公开(公告)日：2023-09-26
申请号：CN202310618438.5
申请日：2023-05-29
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于香农块注意机制的多尺度轮廓波网络的图像分类方法，包括：步骤1：获取原始遥感图像，对原始遥感图像进行标准化预处理，得到待测遥感图像；步骤2：将待测遥感图像输入至已训练的分类网络模型中，得到原始遥感图像的场景分类结果；其中，分类网络模型采用基于香农块注意机制的多尺度轮廓波网络。本发明的图像分类方法，利用基于香农块注意机制的多尺度轮廓波网络实现遥感图像的场景分类，该网络通过空域中的卷积神经网络和频域的Contourlet特征学习的优势，可以实现对遥感图像的多尺度、多方向的特征提取，从而提高分类精度；其次，通过Contourlet池化很好地保留了图像的边缘和纹理细节信息，也在一定程度上提升了遥感图像的分类效果。
-
公开(公告)号：CN116703934A
公开(公告)日：2023-09-05
申请号：CN202310678492.9
申请日：2023-06-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度轮廓波并行反向注意网络的图像分割方法，涉及图像处理技术领域，包括：获取待分割图像；使用多尺度轮廓波并行反向注意网络中的特征聚合模块提取待分割图像的空域特征、频域特征和频域增强后的特征，通过多尺度轮廓波并行反向注意网络中的并行部分解码器将频域增强后的特征进行聚合，得到全局映射图；根据多尺度轮廓波并行反向注意网络中的反向注意力模块，将全局映射图结合空域特征、频域增强后的特征和频域特征逐层获取反向注意力特征，将反向注意力特征经过激活函数处理，得到预测图。本发明能够增加网络模型的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN111695469B
公开(公告)日：2023-08-11
申请号：CN202010486459.2
申请日：2020-06-01
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V20/10 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。
-
公开(公告)号：CN116205927A
公开(公告)日：2023-06-02
申请号：CN202310165505.2
申请日：2023-02-24
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于边界增强的图像分割方法，包括：建立边界增强的图像分割网络模型，并利用训练好的网络模型对输入图像进行分割；其中，图像分割网络模型的编码器包括第一特征提取模块、边界提取模块以及第二特征提取模块，主要用于提取输入图像的边界特征和边界标签，以获得不同尺度的特征图；图像分割网络模型的解码器包括双向互增强模块和一个多尺度注意力聚合模块，主要用于基于尺度维度、空间维度以及通道维度对增强特征图进行注意力聚合处理，得到多维度融合特征图。该方法提取到的边界信息更加准确，使获得的多维度融合特征图突出能够更加有效提高分割结果准确率的空间信息和语义信息，从而提高了图像分割的准确率。
-
公开(公告)号：CN112465880B
公开(公告)日：2023-03-10
申请号：CN202011355669.4
申请日：2020-11-26
Applicant: 西安电子科技大学
IPC: G06T7/30 , G06T7/11 , G06T5/50 , G06V10/80 , G06V10/774
Abstract: 本发明提出了一种多源异构数据认知融合的目标检测方法，用于解决现有技术中存在的图像中包含被遮挡的目标导致目标检测精度较低的技术问题，实现步骤为：数据预处理；获取训练数据集和测试数据集；构建基于多源异构数据认知融合的目标检测模型H；对基于多源异构数据认知融合的目标检测模型H进行迭代训练；获取目标检测结果。本发明在目标检测网络的基础上，通过融合输入的光学遥感图像和SAR图像、融合提取特征后的光学遥感特征图和SAR特征图、融合光学遥感图像和SAR图像的检测结果，使得目标检测模型既学习到SAR图像的特征，又学习到光学遥感图像的特征，解决了包含被遮挡目标的图像的检测精度较低的技术问题。
-
公开(公告)号：CN110517285B
公开(公告)日：2021-09-10
申请号：CN201910718847.6
申请日：2019-08-05
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于运动估计ME‑CNN网络的大场景极小目标跟踪方法，解决了无需配准利用运动参数进行极小目标跟踪的问题，实现步骤为：获取目标运动估计网络ME‑CNN的初始训练集D；构建估计目标运动的网络ME‑CNN；用目标运动参数计算网络ME‑CNN损失函数；判断是否为初始训练集；更新损失函数训练标签；得到预测目标运动位置初始模型；修正预测模型位置；用修正后的目标位置更新训练数据集，完成一帧的目标跟踪；得到遥感视频目标跟踪结果。本发明用深度学习网络ME‑CNN预测目标运动位置，避免了跟踪中大场景图像配准，超模糊目标特征提取难的问题，减小目标特征依赖性，提高了超模糊视频中目标跟踪的准确度。
-
公开(公告)号：CN108564098B
公开(公告)日：2021-09-03
申请号：CN201711188058.3
申请日：2017-11-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于散射全卷积模型的极化SAR分类方法，其步骤为：(1)对待分类的极化SAR图像进行Lee滤波；(2)将散射矩阵进行pauli分解；(3)特征矩阵归一化；(4)构造数据集；(5)构建散射全卷积网络模型；(6)训练散射全卷积模型；(7)获得测试结果。本发明通过将极化SAR图像的极化特性，散射特性和纹理特性有效的结合，保留了特征信息的完整性，提高了图像的分类精度，同时加快了训练速度。
-
-
-
-
-
-
-
-
-
Search Results
720
records
(took 0.043 seconds)
