-
公开(公告)号：CN112288009A
公开(公告)日：2021-01-29
申请号：CN202011183145.1
申请日：2020-10-29
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于模板匹配的R‑SIFT芯片硬件木马图像配准方法，构建多尺度金字塔；对多尺度金字塔进行相关匹配，得到粗匹配结果图像；对粗匹配结果图像进行高斯滤波和下采样处理，构造多尺度空间；在不同尺度空间中检测图像的极值点；对极值点方向进行赋值，得到极值点的位置，尺度和方向信息，生成特征描述子；使用最近邻与次近邻特征描述子的欧氏距离比判定两幅图像中关键点是否相似性，初步生成预匹配点对，并用匹配矩阵表示；确定预匹配矩阵后，使用RANSAC算法进行校正，去除多余匹配点，完成图像匹配。本发明可避免噪声等异常值所带来的梯度异常，提升图像配准方法的稳定性和精确度。
-
公开(公告)号：CN112102381A
公开(公告)日：2020-12-18
申请号：CN202010954726.4
申请日：2020-09-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于R‑SIFT的硬件木马图像配准方法、存储介质及设备，对输入图像进行高斯滤波和下采样处理，构造多尺度空间；在构造的多尺度空间中检测图像的极值点；对得到的极值点方向进行赋值，得到对应点的位置，尺度和方向信息，生成特征描述子；利用生成的特征描述子，使用距离匹配方法，初步生成预匹配点对，并用匹配矩阵C表示；确定预匹配矩阵C之后，使用RANSAC算法进行校正，去除多余匹配点，完成图像配准。本发明有效解决图像配准中仿射变换的问题，并且可以更灵活的避免噪声点带来的干扰，进而提升图像配准方法的稳定性和精确度。
-
Patent Agency Ranking
公开(公告)号：CN113989744A
公开(公告)日：2022-01-28
申请号：CN202111277201.2
申请日：2021-10-29
Applicant: 西安电子科技大学
IPC: G06V20/52 , G06V10/32 , G06V10/44 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于超大尺寸高分辨图像的行人目标检测方法及系统，以行人的目标框为中心，采用不同的固定尺寸对训练集的超大尺寸高分辨图像进行多次切图，得到多尺度的训练数据；采用滑动窗口切图法对测试集的超大尺寸高分辨图像进行多次切图，得到测试集的子图，使用多尺度训练数据对目标检测网络进行训练，然后利用目标检测网络对测试集的子图进行检测，获得子图的预检测结果；将子图检测结果的目标框坐标换转为对应原始大图的坐标作为预检测标签，利用预检测标签对数据以行人目标为中心切图，设定多个切图尺寸得到多尺度的子图，得到多尺度的检测结果；使用区域NMS方法对多尺度的检测结果进行融合，得到最终的检测结果。提高了检测准确率。
-
公开(公告)号：CN112101190A
公开(公告)日：2020-12-18
申请号：CN202010955163.0
申请日：2020-09-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种遥感图像分类方法、存储介质及计算设备，创建遥感图像集，对遥感图像集进行标准化处理，得到训练样本集和测试样本集；设置多尺度特征提取模块，通过在两个并行的卷积模块中设置不同的空洞卷积，生成两个尺度的特征图；设置自适应特征融合模块，自适应特征融合模块能够自适应的选择生成的两个不同尺度的特征中的有用信息并进行融合；搭建整个神经网络模型；使用训练样本集对整个神经网络模型进行迭代训练；在测试样本中随机选择样本作为位置类别样本，利用训练好的神经网络对对需要预测的未知样本进行分类。本发明减少冗余信息，更灵活的选择多尺度特征，提升网络的稳定性，进而提升网络模型的分类能力。
-
公开(公告)号：CN112101190B
公开(公告)日：2023-11-03
申请号：CN202010955163.0
申请日：2020-09-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/10 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种遥感图像分类方法、存储介质及计算设备，创建遥感图像集，对遥感图像集进行标准化处理，得到训练样本集和测试样本集；设置多尺度特征提取模块，通过在两个并行的卷积模块中设置不同的空洞卷积，生成两个尺度的特征图；设置自适应特征融合模块，自适应特征融合模块能够自适应的选择生成的两个不同尺度的特征中的有用信息并进行融合；搭建整个神经网络模型；使用训练样本集对整个神经网络模型进行迭代训练；在测试样本中随机选择样本作为位置类别样本，利用训练好的神经网络对对需要预测的未知样本进行分类。本发明减少冗余信息，更灵活的选择多尺度特征，提升网络的稳定性，进而提升网络模型的分类能力。
-
公开(公告)号：CN110728224B
公开(公告)日：2022-03-11
申请号：CN201910951214.X
申请日：2019-10-08
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于注意力机制深度Contourlet网络的遥感图像分类方法，建立遥感图像库，获取训练样本集和测试样本集；然后设置Contourlet分解模块，再搭建卷积神经网络模型，模型中卷积层两两一组，构成卷积模块，采用注意力机制，通过通道注意力模块对合并的特征图进行数据增强；进行迭代训练；对所要进行分类的遥感图片进行全局对比度归一化处理，得到其整张遥感图象的平均强度，然后再进行归一化得到归一化处理之后的待分类遥感图像；将归一化处理的未知遥感图像输入到训练好的卷积神经网络模型中，对未知的遥感图片进行分类，得到网络输出分类结果。本发明结合Contourlet分解和深度卷积网络方法，引入通道注意力机制，可以同时发挥深度学习和Contourlet变换的优势。
-
公开(公告)号：CN110728224A
公开(公告)日：2020-01-24
申请号：CN201910951214.X
申请日：2019-10-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于注意力机制深度Contourlet网络的遥感图像分类方法，建立遥感图像库，获取训练样本集和测试样本集；然后设置Contourlet分解模块，再搭建卷积神经网络模型，模型中卷积层两两一组，构成卷积模块，采用注意力机制，通过通道注意力模块对合并的特征图进行数据增强；进行迭代训练；对所要进行分类的遥感图片进行全局对比度归一化处理，得到其整张遥感图象的平均强度，然后再进行归一化得到归一化处理之后的待分类遥感图像；将归一化处理的未知遥感图像输入到训练好的卷积神经网络模型中，对未知的遥感图片进行分类，得到网络输出分类结果。本发明结合Contourlet分解和深度卷积网络方法，引入通道注意力机制，可以同时发挥深度学习和Contourlet变换的优势。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
