-
公开(公告)号：CN116433735A
公开(公告)日：2023-07-14
申请号：CN202310233148.9
申请日：2023-03-10
Applicant: 西安电子科技大学 , 北京航天自动控制研究所
IPC: G06T7/33 , G06N3/08 , G06N3/0499 , G06V10/774 , G06V10/82 , G06V10/74 , G06V10/77
Abstract: 本发明公开了一种基于特征对抗网络的异源图像模板匹配方法，包括以下步骤：构建训练集；分别构建特征提取网络、特征映射层和模态判别网络；利用训练数据，使用生成对抗策略对网络进行迭代训练，对待匹配数据集的异源图像进行匹配。本发明基于对抗学习，通过一个特征映射器和一个模态判别网络进行最大最小博弈来达到动态的纳什均衡。在特征映射器中，除了计算两个模态的映射特征的结构损失之外，还引入了纹理复杂度计算和匹配结果约束来确保跨模态的特征在投影到公共子空间后仍然有着很好的表征能力，从而间接实现异源图像的同源转化，降低匹配的难度，提高了异源图像匹配的准确率。
-
公开(公告)号：CN107292317A
公开(公告)日：2017-10-24
申请号：CN201710495285.4
申请日：2017-06-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为：1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征；3.将浅层特征与滤波后的极化SAR数据进行融合，构造训练样本和测试样本；4.采用卷积神经网络对训练样本进行学习；5.利用学习得到的卷积神经网络对测试样本进行分类，得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高，并且对大区域的地物目标分类有良好的实验效果，可用于目标识别和大场景的地物分类。
-
公开(公告)号：CN117152303A
公开(公告)日：2023-12-01
申请号：CN202311075484.1
申请日：2023-08-25
Applicant: 西安电子科技大学
IPC: G06T11/60 , H04N21/488 , H04N21/81 , G06V10/764 , G06V10/82 , G06N3/084
Abstract: 本发明公开了一种基于属性学习的未知场景遥感图像字幕生成方法，主要解决现有方法只能产生在训练过程中出现过的词语和句子，不能对未知的场景进行准确描述的问题。其实现方案是：搭建一个属性提取器、设置一个可学习的属性标识向量A，并在多标签分类数据集上进行预训练；搭建由属性推理模块和主体词生成模块构成的基于属性学习的解码器；将主题编码器、属性提取器、基于属性学习的解码器级联，构成基于属性学习的未知场景遥感图像字幕生成网络，并对其进行迭代训练；将测试集遥感图像输入到训练好的字幕生成网络生成字幕描述。本发明提高了未知场景下遥感图像的描述准确率，能适应遥感图像的多种场景，可用于地物图像检索、灾情预测及图像理解。
-
公开(公告)号：CN116311364A
公开(公告)日：2023-06-23
申请号：CN202310211007.7
申请日：2023-03-07
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于跨模态特征增强与置信融合的多光谱行人检测方法，主要解决现有技术在单模态条件下行人检测漏检率和虚警率较高的问题。其实现方案为：获取可见光图像和红外图像构成数据集，并按8:2的比例将其化分为训练集和测试集；构建由交互共有注意力模块、池化层多尺度自适应融合模块及置信度融合模块依次级联构成的双流行人检测网络；使用训练集通过小批量梯度下降对该双流行人检测网络进行训练，直至网络损失收敛；将测试集输入到训练好的网络中得到多光谱行人检测结果。本发明相较于其他行人检测方法，充分考虑了模态之间的交互关系，降低了漏检率和虚警率，提高了行人检测的准确率，可用于处理复杂环境下的行人目标检测。
-
公开(公告)号：CN110426745A
公开(公告)日：2019-11-08
申请号：CN201910089658.7
申请日：2019-01-30
Applicant: 西安电子科技大学 , 北京华航无线电测量研究所
IPC: G01V8/00
Abstract: 本发明公开了一种基于块混合高斯低秩矩阵分解的毫米波人体图像中隐匿物检测的方法，主要解决现有技术由于隐匿物散射回波弱造成成像质量低，及对隐匿物灰度值与人体相似时检测准确率低的问题。其实现方案为：1.去除原始毫米波人体图像中成像区域背景中的异常点，并按人体部位比例将人体图像划分为六部分；2.通过基于块的混合高斯低秩矩阵分解算法对人体各区域进行分解，得到低秩部分和稀疏部分；3.对稀疏部分利用形态学法进行二值化，去除小噪点，得到最终检测结果图。本发明在无需大量训练样本的情况下，提高了对毫米波人体图像中复杂多样的弱小目标检测率，检测到的隐匿物更完整，可用于检测机场、车站公共场所中人体携带的隐匿物。
-
Patent Agency Ranking
公开(公告)号：CN118279639A
公开(公告)日：2024-07-02
申请号：CN202410101924.4
申请日：2024-01-25
Applicant: 中国人民解放军空军军医大学 , 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/94 , G06N3/098 , G06N3/096 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了神经架构搜索下知识蒸馏联邦学习的医学图像分类方法，主要解决现有联邦学习方法对本地数据隐私保护差，在交互学习过程中通信量和计算量高的问题。其实现方案是：从公开数据集中获取结肠病理数据集并对其进行分类处理；根据狄利克雷分布对数据分布程度进行处理；选择不同分类网络模型作为服务器端和客户端的主干网络模型；通过神经网络架构搜索方法选择最优模型架构；通过集成蒸馏的模型聚合完成服务器端模型的训练；利用本地蒸馏的模型更新完成客户端模型的训练；利用训练好的客户端模型实现对本地疾病图像数据的分类。本发明可保障数据的隐私安全，降低通信量和计算量，提高分类的准确率，可用于对医疗机构不同病种的医疗图像的分类检测。
-
公开(公告)号：CN110426745B
公开(公告)日：2021-01-05
申请号：CN201910089658.7
申请日：2019-01-30
Applicant: 西安电子科技大学 , 北京华航无线电测量研究所
IPC: G01V8/00
Abstract: 本发明公开了一种基于块混合高斯低秩矩阵分解的毫米波人体图像中隐匿物检测的方法，主要解决现有技术由于隐匿物散射回波弱造成成像质量低，及对隐匿物灰度值与人体相似时检测准确率低的问题。其实现方案为：1.去除原始毫米波人体图像中成像区域背景中的异常点，并按人体部位比例将人体图像划分为六部分；2.通过基于块的混合高斯低秩矩阵分解算法对人体各区域进行分解，得到低秩部分和稀疏部分；3.对稀疏部分利用形态学法进行二值化，去除小噪点，得到最终检测结果图。本发明在无需大量训练样本的情况下，提高了对毫米波人体图像中复杂多样的弱小目标检测率，检测到的隐匿物更完整，可用于检测机场、车站公共场所中人体携带的隐匿物。
-
公开(公告)号：CN116433735B
公开(公告)日：2025-04-25
申请号：CN202310233148.9
申请日：2023-03-10
Applicant: 西安电子科技大学 , 北京航天自动控制研究所
IPC: G06T7/33 , G06N3/08 , G06N3/0499 , G06V10/774 , G06V10/82 , G06V10/74 , G06V10/77
Abstract: 本发明公开了一种基于特征对抗网络的异源图像模板匹配方法，包括以下步骤：构建训练集；分别构建特征提取网络、特征映射层和模态判别网络；利用训练数据，使用生成对抗策略对网络进行迭代训练，对待匹配数据集的异源图像进行匹配。本发明基于对抗学习，通过一个特征映射器和一个模态判别网络进行最大最小博弈来达到动态的纳什均衡。在特征映射器中，除了计算两个模态的映射特征的结构损失之外，还引入了纹理复杂度计算和匹配结果约束来确保跨模态的特征在投影到公共子空间后仍然有着很好的表征能力，从而间接实现异源图像的同源转化，降低匹配的难度，提高了异源图像匹配的准确率。
-
公开(公告)号：CN119516252A
公开(公告)日：2025-02-25
申请号：CN202411474637.4
申请日：2024-10-22
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/774 , G06N3/045 , G06N3/048 , G06V10/80 , G06N3/084 , G06V10/40
Abstract: 本发明公开了一种基于物理全局滤波注意力卷积神经网络的图像分类方法，主要解决现有技术在图像分类任务上对复杂模式、细微特征识别能力不足的问题，其实现方案为：获取图像分类数据集，划分训练集和测试集；构建包括编码器、全局滤波器层、特征融合器、扩展器和全局注意力融合器的全局滤波注意力模块，以将一维通道权重和二维空间权重融合成三维注意力权重；在现有卷积神经网络架构中的残差块中添加全局滤波注意力模块；利用训练集对该图像分类网络进行训练；将测试集输入到训练好的基于物理全局滤波器注意卷积神经网络，得到测试集的图像分类结果。本发明提升网络在图像分类任务上对复杂模式和细微特征的识别能力，提高图像分类准确率，可用于自动驾驶、医疗影像分析。
-
公开(公告)号：CN107292317B
公开(公告)日：2020-07-28
申请号：CN201710495285.4
申请日：2017-06-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为：1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征；3.将浅层特征与滤波后的极化SAR数据进行融合，构造训练样本和测试样本；4.采用卷积神经网络对训练样本进行学习；5.利用学习得到的卷积神经网络对测试样本进行分类，得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高，并且对大区域的地物目标分类有良好的实验效果，可用于目标识别和大场景的地物分类。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
