-
公开(公告)号：CN119743756A
公开(公告)日：2025-04-01
申请号：CN202411683166.8
申请日：2024-11-22
Applicant: 西安电子科技大学
Abstract: 本发明提供了一种卫星通信认证一体化方法及设备包括：获取待认证卫星的数据帧信号，并将其制成3D样本输入至训练好的神经网络模型中并计算出输出的特征向量与每一个合法卫星的特征向量之间的距离；利用该距离确定待认证卫星的发射源认证身份；将该发射源认证身份与待认证卫星的信号携带的发射源身份比较，若两者一致，则确定待认证卫星认证成功不仅能准确识别并认证合法卫星信号发射源的身份，还能识别出非法设备发射出的信号。之后再将数据帧信号传输至上位机以继续处理。本发明可以从时间与空间两个维度实现对于卫星信号的认证，简化了认证流程，保证了卫星通信的可靠性，有效提高了卫星信号发射源身份认证的准确率，降低了认证时延。
-
公开(公告)号：CN113780146B
公开(公告)日：2024-05-10
申请号：CN202111039219.9
申请日：2021-09-06
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于轻量化神经架构搜索的高光谱图像分类方法及系统，利用模块化的轻量化候选操作搭建超网，通过加权混合操作将边上离散的候选操作连续化，以梯度优化的方式对超网进行双层优化，同时通过子网权重共享加快模型搜索速度。随后，在优化过程中利用贪心决策选择一条未离散的边，保留边上架构参数最大的操作，删除该边中的其余操作，剩下的网络构成新的超网，利用上述方式迭代优化新的超网，并随着边的不断离散与边上操作的删除，使超网不断简化，最终得到用于高光谱图像分类的轻量化深度神经网络架构。本发明充分利用了轻量化模块构建超网，实现基于顺序贪心的神经架构搜索方法，能够自动生成参数量更少、分类精度更高的网络架构。
-
公开(公告)号：CN117131376A
公开(公告)日：2023-11-28
申请号：CN202311115700.0
申请日：2023-08-31
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06F18/2135 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质，方法包括：构建持续学习任务，对每个任务中的数据进行空谱背景筛选预处理，得到背景集，将第一个任务的背景集作为训练集，其他任务先进行重放，得到的重放集和背景集作为训练集，用训练集交替训练ViT生成对抗网模型，同时为当前任务和上一个任务的生成器构建F范数正则化损失项，最后将当前任务之前的数据作为测试集输入到训练好的生成器中，测试得到最终结果后，令任务数加1，并返回执行预处理；系统、设备及介质，用于实现一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法；具有持续检测在跨域高光谱图像中异常的特点。
-
公开(公告)号：CN117115675A
公开(公告)日：2023-11-24
申请号：CN202311115889.3
申请日：2023-08-31
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质，方法包括：对高光谱图像数据预处理，划分训练集和测试集；构建特征提取网络；构建分类网络；利用训练集，采用梯度下降算法对特征提取网络和分类网络进行训练，每次迭代对训练集精度计算，并将训练集上精度最高的一代网络模型权重为最终的检测模型权重，得到训练好的模型；将测试集输入训练好的模型进行测试，得到检测结果，并输出高光谱图像数据的预测标签图；系统、设备及介质，用于实现该方法；本发明从精细化特征提取和跨时相特征融合两方面，基于空谱特征提取和跨时相特征融合进行模型设计，利用轻量化方法简化模型，从而实现性能良好的轻量化高光谱图像变化检测方法。
-
公开(公告)号：CN111695469A
公开(公告)日：2020-09-22
申请号：CN202010486459.2
申请日：2020-06-01
Applicant: 西安电子科技大学
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。
-
Patent Agency Ranking
公开(公告)号：CN110245709A
公开(公告)日：2019-09-17
申请号：CN201910526990.5
申请日：2019-06-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度学习和自注意力机制的3D点云数据语义分割方法，用于解决现有技术中存在的分割精度较低的技术问题，实现步骤包括：(1)获取训练集和验证集；(2)构建深度学习和自注意力机制的3D点云数据语义分割网络；(3)设置训练深度学习和自注意力机制的3D点云数据语义分割网络所需的损失函数；(4)对深度学习和自注意力机制的3D点云数据语义分割网络进行监督训练；(5)获取3D点云数据测试集的语义分割结果。本发明在深度学习网络中加入了自注意力模块，能够更好地提取包含各个特征通道之间关系的深层特征，从而提高分割精度。
-
公开(公告)号：CN118799784A
公开(公告)日：2024-10-18
申请号：CN202410923362.1
申请日：2024-07-10
Applicant: 西安电子科技大学 , 中国科学院高能物理研究所 , 广东产品质量监督检验研究院
IPC: G06V20/40 , G06V10/44 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06V10/25 , G06V10/80 , G06V10/82 , G06V10/54 , G06V10/422 , G06V40/20 , G06N3/09
Abstract: 本发明公开了一种基于多任务学习轻量化Transformer的时空动作检测方法及相关装置，基于已有视频数据，获取待处理视频帧组及其标签，并对待处理视频帧进行预处理；构建包含时空特征提取网络对、构造器和轻量融合模块的训练模型；使用训练模型对待处理视频数据进行训练，提取待处理视频的时空特征，得到最终预测和边界框；对时空特征上采用多任务学习思想定义损失函数，实现分类和定位任务。本发明通过轻量化结构提取时空信息，克服传统方法利用传统神经网络或3D Transformer的缺点，采用轻量化2D Transformer的方法，降低了模型参数数量，并且采用特征重构和多任务学习思想，达到了效率和精度的平衡。
-
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：CN114037842A
公开(公告)日：2022-02-11
申请号：CN202111305120.9
申请日：2021-11-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于匹配追踪生成对抗网的高光谱异常检测方法，主要解决现有技术中提取特征信息能力不足、缺乏先验信息，导致检测效果差的问题。其实现方案为：对高光谱图像使用KRX算法计算其异常概率矩阵，根据背景阈值对异常概率矩阵置1置0得到假定标签；提取标签为0的光谱向量组成背景光谱向量矩阵；根据光谱向量矩阵制作训练样本数据集，输入到深度卷积生成对抗网，得到伪高光谱图像数据集；将高光谱图像与伪高光谱图像的光谱向量作差得到残差图像，再对残差图像进行匹配追踪，计算其异常概率值，得到异常检测结果。本发明提高了检测指标AUC的平均值，具有更好的检测效果，可用于矿产勘探、环境监测、灾害预测、精准农业和国防。
-
公开(公告)号：CN110097129A
公开(公告)日：2019-08-06
申请号：CN201910376741.2
申请日：2019-05-05
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于轮廓波分组特征金字塔卷积的遥感目标检测方法，解决了光学遥感图像飞机与舰船在边缘模糊时召回率低、虚警率高的问题。实现步骤：构建测试数据集；构建训练数据集；对数据集进行非轮廓下采样变换；构建基于分组特征金字塔卷积目标检测网络；利用数据集训练基于分组特征金字塔卷积的目标检测网络；用训练好的基于分组特征金字塔卷积的目标检测网络对测试数据集进行目标检测；输出测试结果。本发明用非下采样轮廓边缘加强图像边缘特征，并构建分组卷积和特征金字塔网络，更适于光学遥感图像目标检测，针对边缘模糊的小目标检测准确率明显提高。用于光学遥感图像的地物目标检测。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.025 seconds)
