-
公开(公告)号：CN114842235B
公开(公告)日：2024-07-16
申请号：CN202210284099.7
申请日：2022-03-22
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/26 , G06V10/30 , G06V10/42 , G06V10/80
Abstract: 本发明公开了一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法，包括：对输入的红外原始图像执行高斯滤波操作，以增强暗淡的弱小目标；对高斯滤波后的红外图像进行基于形状先验的分割，以获得目标候选区域；对目标候选区域进行裁剪并输入到多尺度特征提取模块，以获取小目标的特征表示；将小目标的特征表示输入到特征聚合网络中，得到张量拼接后的图像；对张量拼接后的图像进行批量归一化处理以及非线性变换，并通过Softmax输出目标分类结果。本发明基于形状先验的分割模块充分利用弱小目标的先验信息以获取可疑目标区域，减少全局参数量以提高算法效率，多尺度特征提取和聚合模块为弱小目标实现足够数量的特征通道，进而保证其可检测性。
-
公开(公告)号：CN111027626B
公开(公告)日：2023-04-07
申请号：CN201911263125.2
申请日：2019-12-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于可变形卷积网络的流场识别方法，所述通过已有数据集对预训练网络进行预训练；将预训练网络的全连接层更换成卷积层，通过迁移学习思想，将预训练后获得的权重参数迁移到流场识别模型中；通过所述流场识别模型对图像进行逐像素分类实现流场识别。本发明首先，利用预训练网络对已有数据集进行图像深层特征提取，并不断迭代学习，自动调整网络参数；其次，将预训练网络的全连接层更换成卷积层，并利用迁移学习思想，将预训练得到的权重参数迁移到识别模型中；最后，在网络中引入可变形卷积提取图像特征，并通过密集预测对图像进行逐像素分类，实现流场识别。
-
公开(公告)号：CN113239744B
公开(公告)日：2024-04-19
申请号：CN202110447914.2
申请日：2021-04-25
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于深度学习的脑电‑肌电信号融合识别方法，通过基于深度自注意力机制的循环神经网络对预处理后的脑电信号进行高维编码及序列解码，获得脑电分类特征矩阵；对预处理后的肌电信号进行强度特征提取，获得肌电特征向量；通过无监督稀疏自编码器对脑电分类特征矩阵和肌电特征向量进行特征融合，生成最终指令。本发明将多头自注意力机制和编码‑解码模型结合应用到脑电特征提取领域，提高脑电分类识别精度；利用自适应方法，解决肌电信号存在个体差异和位置差异的问题，通过提取肌电信号的强度特征来实现动作强度的估计；利用无监督稀疏自编码器对不同生物电特征进行编码和解码，以高效、鲁棒性的方法实现对脑电和肌电特征的融合。
-
公开(公告)号：CN113239744A
公开(公告)日：2021-08-10
申请号：CN202110447914.2
申请日：2021-04-25
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的脑电‑肌电信号融合识别方法，通过基于深度自注意力机制的循环神经网络对预处理后的脑电信号进行高维编码及序列解码，获得脑电分类特征矩阵；对预处理后的肌电信号进行强度特征提取，获得肌电特征向量；通过无监督稀疏自编码器对脑电分类特征矩阵和肌电特征向量进行特征融合，生成最终指令。本发明将多头自注意力机制和编码‑解码模型结合应用到脑电特征提取领域，提高脑电分类识别精度；利用自适应方法，解决肌电信号存在个体差异和位置差异的问题，通过提取肌电信号的强度特征来实现动作强度的估计；利用无监督稀疏自编码器对不同生物电特征进行编码和解码，以高效、鲁棒性的方法实现对脑电和肌电特征的融合。
-
公开(公告)号：CN114898189B
公开(公告)日：2025-03-21
申请号：CN202210333408.5
申请日：2022-03-31
Applicant: 西安电子科技大学
IPC: G06V10/80 , G06V10/40 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于模态差异特征引导的红外可见光融合识别系统，包括双流骨干网络模块、光照热度感知模块和级联区域提议模块，其中，所述双流骨干网络模块包括红外特征提取单元、可见光特征提取单元以及特征引导单元，其中，红外特征提取单元获取原始红外图像的不同尺度红外特征，可见光特征提取单元获取可见光图像的不同尺度可见光特征；特征引导单元获得加权的红外特征和加权的可见光特征；光照热度感知模块获取可见光特征的可信度权值和红外特征的可信度权值；级联区域提议模块用于获得目标的识别结果。本发明采用模态间特征差异引导补充学习的层级间特征生成方式，提升了模态间特征表示的依赖性，并提高了网络系统的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN112528804A
公开(公告)日：2021-03-19
申请号：CN202011401703.7
申请日：2020-12-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的肌电信号降噪和分类方法，对肌电信号进行预处理后构建基于WGAN的肌电信号降噪生成对抗网络模型；将肌电信号输入到肌电信号降噪生成对抗网络模型中进行训练，最小化生成分布与真实数据分布的JS距离，实现含有噪声信号和肌电信号的映射，输出降噪后的肌电信号；将所述降噪后的肌电信号的格式转换成为二维的数字矩阵，通过采用多尺度卷积核卷积神经网络模型对二维的数字矩阵提取肌电信号特征；从通道和空间两个方向根据注意力机制选择重要信息，最后平铺池化数据利用Softmax分类器对肌电信号进行分类。
-
公开(公告)号：CN111027626A
公开(公告)日：2020-04-17
申请号：CN201911263125.2
申请日：2019-12-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于可变形卷积网络的流场识别方法，所述通过已有数据集对预训练网络进行预训练；将预训练网络的全连接层更换成卷积层，通过迁移学习思想，将预训练后获得的权重参数迁移到流场识别模型中；通过所述流场识别模型对图像进行逐像素分类实现流场识别。本发明首先，利用预训练网络对已有数据集进行图像深层特征提取，并不断迭代学习，自动调整网络参数；其次，将预训练网络的全连接层更换成卷积层，并利用迁移学习思想，将预训练得到的权重参数迁移到识别模型中；最后，在网络中引入可变形卷积提取图像特征，并通过密集预测对图像进行逐像素分类，实现流场识别。
-
公开(公告)号：CN112560907B
公开(公告)日：2024-05-28
申请号：CN202011392343.9
申请日：2020-12-02
Applicant: 西安电子科技大学
IPC: G06V20/17 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于混合域注意力的有限像素红外无人机目标检测方法，通过基于注意力机制的单步级联神经网络对红外图像进行特征提取，获得特征图；对所述特征图进行上采样获得多尺度特征图，并对所述多尺度特征图分别进行特征融合与预测，获得目标检测最终结果。采用注意力机制与多尺度特征融合预测方法，提高对有限像素目标的特征提取能力与检测准确性。
-
公开(公告)号：CN114898189A
公开(公告)日：2022-08-12
申请号：CN202210333408.5
申请日：2022-03-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于模态差异特征引导的红外可见光融合识别系统，包括双流骨干网络模块、光照热度感知模块和级联区域提议模块，其中，所述双流骨干网络模块包括红外特征提取单元、可见光特征提取单元以及特征引导单元，其中，红外特征提取单元获取原始红外图像的不同尺度红外特征，可见光特征提取单元获取可见光图像的不同尺度可见光特征；特征引导单元获得加权的红外特征和加权的可见光特征；光照热度感知模块获取可见光特征的可信度权值和红外特征的可信度权值；级联区域提议模块用于获得目标的识别结果。本发明采用模态间特征差异引导补充学习的层级间特征生成方式，提升了模态间特征表示的依赖性，并提高了网络系统的泛化能力。
-
公开(公告)号：CN114842235A
公开(公告)日：2022-08-02
申请号：CN202210284099.7
申请日：2022-03-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法，包括：对输入的红外原始图像执行高斯滤波操作，以增强暗淡的弱小目标；对高斯滤波后的红外图像进行基于形状先验的分割，以获得目标候选区域；对目标候选区域进行裁剪并输入到多尺度特征提取模块，以获取小目标的特征表示；将小目标的特征表示输入到特征聚合网络中，得到张量拼接后的图像；对张量拼接后的图像进行批量归一化处理以及非线性变换，并通过Softmax输出目标分类结果。本发明基于形状先验的分割模块充分利用弱小目标的先验信息以获取可疑目标区域，减少全局参数量以提高算法效率，多尺度特征提取和聚合模块为弱小目标实现足够数量的特征通道，进而保证其可检测性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
