-
公开(公告)号：CN103218405A
公开(公告)日：2013-07-24
申请号：CN201310090096.0
申请日：2013-03-20
申请人： 西安电子科技大学 , 西安电子科技大学昆山创新研究院
IPC分类号： G06F17/30
摘要： 本发明公开了一种基于维数约简的集成迁移文本分类方法，包括步骤：1.入源域文本数据和目标域文本数据，进行预处理，将文本数据转化为单词向量形式；2.标记的源域数据集进行Boostrap随机采样遍，获取相应的个源域子集，再别与目标域测试样本组合成新的数据子集；3.个新的数据子集进行SVD分解并降维，投影到低维空间；4.低维空间中，采用近邻分类器作为基本分类器，由降维后的源域样本预测目标域测试样本的标签,每个测试样本得到个预测标签；5.多数投票的集成方式，得到测试文本数据的最终预测标签。本发明利用过期的源域样本对目标域文本分类，经维数约简后集成，大大提高了分类的正确率，并减少分类时间，降低分类复杂度。
-
公开(公告)号：CN114445468B
公开(公告)日：2024-09-06
申请号：CN202210103286.0
申请日：2022-01-27
申请人： 西安电子科技大学
IPC分类号： G06T7/30 , G06N3/0464 , G06V10/46 , G06V10/82 , G06V10/774 , G06V10/766
摘要： 本发明公开了一种异源遥感图像配准方法及系统，将旋转变化从图像模态变化中分离，用深度序列回归对图像进行旋转矫正，用深度描述子学习网络对异源图像进行精细配准；显著降低基于深度描述子学习网络的异源图像配准的挑战性，保持鲁棒性和准确性。采用旋转矫正的深度序列回归网络创新性地将旋转估计任务转变为一个序列回归问题，深度序列回归利用旋转序数之间的潜在关系，提高旋转估计的准确性；大量的实验结果证明了方法的必要性和深度序列回归网络在异源图像配准方面的优越性。
-
公开(公告)号：CN118115853A
公开(公告)日：2024-05-31
申请号：CN202211530460.6
申请日：2022-11-30
申请人： 西安电子科技大学 , 中国人民解放军空军工程大学
IPC分类号： G06V10/82 , G06V10/764 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/082 , G06N3/084 , G06F123/02
摘要： 本发明涉及一种基于轻量化全卷积神经网络的宽带信号检测方法，本发明的目的是在缺乏先验知识的情况下，利用深度学习中的全卷积神经网络实现宽带信号的检测，具体步骤为：获取原始信号后进行归一化的时频分析并构建数据集；使用所构建的数据集对全卷积神经网络进行训练；将测试集待检测信号进行归一化时频分析并送入网络预测，对网络模型性能进行评估；保存最优的模型权重，利用神经元剪枝来减少网络的参数量并构建轻量化的全卷积神经网络结构；对轻量化的全卷积网络模型进行训练；采用后处理方法得到窄带信号的信息并输出。实验结果表明该算法能取得良好的宽带信号检测效果。
-
公开(公告)号：CN117354069B
公开(公告)日：2024-02-13
申请号：CN202311659950.0
申请日：2023-12-06
申请人： 自然资源陕西省卫星应用技术中心 , 西安电子科技大学
摘要： 本发明涉及遥感数据管理系统技术领域，公开了一种基于数据湖的遥感数据管理系统及方法，方法包括：至少提供一个数据湖，寄存在数据服务器中，并将所述数据湖配置成：当第一客户端发送的第一数据请求满足预定条件时，开放数据湖的属性，允许持有识别信息的客户端调用数据湖的属性权限，通过对数据湖的属性权限进行修改来对数据湖中的遥感数据进行读、写以及编辑；当第二客户端发送的第二数据请求不能满足预定条件时，利用数据交换系统给第二客户端完成配置，以使得第二客户端能够限定期限内通过通信端口保持与数据服务器的连通；并获取设定的数据请求量之内的数据，通过利用控制交换系(56)对比文件阳鑫磊;何倩;曹礼;王士成.支持访问控制的P2P大规模遥感数据分发系统.计算机科学.2017,(第11期),全文.
-
公开(公告)号：CN113221923B
公开(公告)日：2023-02-24
申请号：CN202110605524.3
申请日：2021-05-31
申请人： 西安电子科技大学
IPC分类号： G06V10/74 , G06V10/50 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/06 , G06N3/0455 , G06N3/08
摘要： 本发明公开了一种用于多模态图像块匹配的特征分解方法及系统，通过制作异源图像块数据集；图像预处理；用编码器进行特征提取；特征分解；用解码器重构图像块；判别器；网络优化；预测匹配概率；最后评估网络性能表明，将图像块的特征分解为公共特征和私有特征，引入对抗训练优化编码器，利用重构损失来保证编码器能够提取信息性特征，基于公共特征和私有特征对原始图像进行重构，获得最终的图像块匹配结果。本发明利用四个损失函数联合优化，不仅极大的提高了异源图像匹配的准确率，而且缩短了网络的训练周期。
-
公开(公告)号：CN108564606B
公开(公告)日：2022-06-24
申请号：CN201810276986.3
申请日：2018-03-30
申请人： 西安电子科技大学
摘要： 本发明提供的基于图像转换的异源图像块匹配方法，其步骤为：获取训练样本和测试样本，构建图像转换网络，训练图像转换网络，构建特征提取和匹配网络，训练特征提取和匹配网络，预测匹配结果。本发明克服了现有技术中对异源图像提取的特征差异性大且不准确的问题，有效降低了匹配难度，提高了异源图像块匹配的准确率和鲁棒性。
-
公开(公告)号：CN109034224B
公开(公告)日：2022-03-11
申请号：CN201810777205.9
申请日：2018-07-16
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06K9/62 , G06N3/04
摘要： 本发明提供的基于双分支网络的高光谱分类方法，首先，通过数据重采样的方法，既保证训练过程中的每次迭代时输入数据各类别样本数量不是恒定相等的，又能保证在统计学上参与训练的每类样本是均衡的。这样不仅有效缓解了网络学习中的样本不平衡问题，同时保持了数据的多样性；为了提取数据多尺度特征，本发明使用了双分支的网络结构，通过三种训练策略，进行半监督学习，这样不仅扩充了训练集，而且通过集成学习策略，相比于其他分类方法，极大程度的提高了分类精度。本发明提出的基于双分支网络的高光谱分类方法不仅在性能上优于其他方法，而且在训练效率上也优于其他方法。
-
公开(公告)号：CN110659680B
公开(公告)日：2022-02-11
申请号：CN201910872936.6
申请日：2019-09-16
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于多尺度卷积的图像patch匹配方法，通过准备数据集；制作数据集；数据预处理；设计三分支‑双通道网络结构；设计多尺度卷积模块；根据提取的特征计算相似性；网络训练；预测匹配概率；评估网络性能。本发明有效克服了现有技术中训练不充分、没有使用多尺度信息等问题，极大的提高了网络的性能，提升了网络的训练效率，增强了网络的鲁棒性。本发明可应用于图像配准、图像检索、图像追踪、多视角重建等领域。
-
公开(公告)号：CN110689060B
公开(公告)日：2022-01-28
申请号：CN201910872306.9
申请日：2019-09-16
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/75 , G06K9/62
摘要： 本发明公开了一种基于聚合特征差异学习网络的异源图像匹配方法，使用异源可见光‑近红外VIS‑NIR数据集，将Country子集作为训练样本集，Field、Forest、Indoor、Mountain、Oldbuilding、Street、Urban和Water子集作为测试样本集；数据预处理；设计聚合特征差异学习网络结构，包含双分支特征提取网络，特征差异聚合网络，两个度量网络；训练聚合特征差异学习网络，基于两个度量网络的输出分别计算两个大间隔余弦损失函数和，得到网络最终损失函数，联合优化整个网络；将测试样本集输入到聚合特征差异学习网络中，以度量网络输出的匹配标签作为最终的预测标签。本发明提高了学习效率和匹配精度，更可靠，鲁棒性更强，匹配精度更高。
-
公开(公告)号：CN107808143B
公开(公告)日：2021-06-01
申请号：CN201711102008.9
申请日：2017-11-10
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于计算机视觉的动态手势识别方法。解决了在复杂背景下手势的动态识别问题。其实现步骤为：采集手势数据集并进行人工标注，对标注的图像集真实框进行聚类获得训练的先验框，构建端到端的可同时预测目标位置、大小和类别的卷积神经网络，训练网络获得权重，加载权重到网络，输入手势图像进行识别，非极大值抑制方法处理获得的位置坐标及所属类别信息，获得最终的识别结果图像，实时记录识别信息获得动态手势解译结果。本发明克服了现有技术中手势识别中手部检测和类别识别分步进行的缺陷，极大的简化了手势识别的过程，提高了识别的准确度和速度，增强了识别系统的鲁棒性，并且实现了对动态手势解译的功能。
-
-
-
-
-
-
-
-
-
搜索结果
1205 条记录 (耗时 0.06 秒)
