-
公开(公告)号：CN109377520A
公开(公告)日：2019-02-22
申请号：CN201810977598.8
申请日：2018-08-27
Applicant: 西安电子科技大学
IPC: G06T7/33
Abstract: 一种基于半监督循环生成对抗网络GAN的心脏图像配准系统及方法，其实现的思路是：将心脏计算机断层扫描CT图像与经食道超声心动图TEE图像分块；利用训练好的半监督循环生成对抗网络GAN，得到对应模态块图像；对块图像进行配准，得到配准变换矩阵与配准后的图像；将归一化互信息值最大的块图像配准变换矩阵迁移到整幅图像，得到整幅图像的配准图像；融合配准图像与参考图像，显示融合后的图像。本发明利用半监督循环生成对抗网络GAN，缩小心脏图像模态差异，解决了大形变图像配准问题，提高心脏图像配准效率，利用心脏图像分块后的局部信息，提高了心脏图像的配准精度。
-
公开(公告)号：CN112364773A
公开(公告)日：2021-02-12
申请号：CN202011258058.8
申请日：2020-11-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于L1正则约束深度多示例学习的高光谱目标检测方法，主要解决现有技术对复杂场景下的高光谱目标检测效果差的问题。其实现步骤为：1)对输入图像进行划分，得到训练集和测试集；2)构建基于L1正则约束的深度多示例学习网络W；3)用训练集对网络W进行迭代训练，当构建的损失函数达到最小值时，得到初步训练完成的网络Wi，再将训练集重新输入到初步训练完成的网络Wi中进行迭代训练到设定的最大迭代次数，得到最终训练好的网络W′；4)将测试集的每个示例点输入到最终训练好的网络W′进行检测，得到检测结果。本发明提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物、农作物的精细分类。
-
公开(公告)号：CN110688968A
公开(公告)日：2020-01-14
申请号：CN201910943765.1
申请日：2019-09-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多示例深度卷积记忆网络的高光谱目标检测方法，主要解决现有技术对复杂场景下不精确标记的高光谱目标检测效果差的问题。其实现步骤为：1.对输入图像进行划分，得到训练集和测试集；2.搭建依次包括一个输入层，中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N；3.设置训练参数，用训练集对多示例深度卷积记忆网络N进行迭代训练，当网络性能不再提升或达到最大训练次数时，停止训练，得到最终训练好的网络N′；4.将测试样本集输入到最终训练好的网络N′进行检测，得到检测结果。本发明提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测、农作物精细分类。
-
公开(公告)号：CN109377520B
公开(公告)日：2021-05-04
申请号：CN201810977598.8
申请日：2018-08-27
Applicant: 西安电子科技大学
IPC: G06T7/33
Abstract: 一种基于半监督循环生成对抗网络GAN的心脏图像配准系统及方法，其实现的思路是：将心脏计算机断层扫描CT图像与经食道超声心动图TEE图像分块；利用训练好的半监督循环生成对抗网络GAN，得到对应模态块图像；对块图像进行配准，得到配准变换矩阵与配准后的图像；将归一化互信息值最大的块图像配准变换矩阵迁移到整幅图像，得到整幅图像的配准图像；融合配准图像与参考图像，显示融合后的图像。本发明利用半监督循环生成对抗网络GAN，缩小心脏图像模态差异，解决了大形变图像配准问题，提高心脏图像配准效率，利用心脏图像分块后的局部信息，提高了心脏图像的配准精度。
-
公开(公告)号：CN108564006A
公开(公告)日：2018-09-21
申请号：CN201810254575.4
申请日：2018-03-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自步学习卷积神经网络的极化SAR地物分类方法，主要解决现有技术对复杂地物场景分类正确率低和受噪声影响大的问题。其实现方案为：1.从原始全极化SAR数据中获取极化散射矩阵S和Pauli基下的伪彩色RGB图；2.对每个像素构造三维矩阵组成样本集，并构造训练样本和测试样本集；3.构造卷积神经网络并基于自步学习对该卷积神经网络进行训练以加速网络收敛提升网络的泛化能力；4.利用训练好的卷积神经网络对测试样本进行分类，得到最终的全极化SAR地物分类结果。本发明提高了对极化SAR图像中复杂地物场景的目标地物的分类正确率，可用于地物分类和目标识别。
-
Patent Agency Ranking
公开(公告)号：CN110688968B
公开(公告)日：2022-12-02
申请号：CN201910943765.1
申请日：2019-09-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多示例深度卷积记忆网络的高光谱目标检测方法，主要解决现有技术对复杂场景下不精确标记的高光谱目标检测效果差的问题。其实现步骤为：1.对输入图像进行划分，得到训练集和测试集；2.搭建依次包括一个输入层，中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N；3.设置训练参数，用训练集对多示例深度卷积记忆网络N进行迭代训练，当网络性能不再提升或达到最大训练次数时，停止训练，得到最终训练好的网络N′；4.将测试样本集输入到最终训练好的网络N′进行检测，得到检测结果。本发明提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测、农作物精细分类。
-
公开(公告)号：CN108564006B
公开(公告)日：2021-10-29
申请号：CN201810254575.4
申请日：2018-03-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自步学习卷积神经网络的极化SAR地物分类方法，主要解决现有技术对复杂地物场景分类正确率低和受噪声影响大的问题。其实现方案为：1.从原始全极化SAR数据中获取极化散射矩阵S和Pauli基下的伪彩色RGB图；2.对每个像素构造三维矩阵组成样本集，并构造训练样本和测试样本集；3.构造卷积神经网络并基于自步学习对该卷积神经网络进行训练以加速网络收敛提升网络的泛化能力；4.利用训练好的卷积神经网络对测试样本进行分类，得到最终的全极化SAR地物分类结果。本发明提高了对极化SAR图像中复杂地物场景的目标地物的分类正确率，可用于地物分类和目标识别。
-
公开(公告)号：CN102880875A
公开(公告)日：2013-01-16
申请号：CN201210387089.2
申请日：2012-10-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于LRR图的半监督学习人脸识别方法。其步骤为：(1)划分数据库样本集；(2)组成样本集合；(3)生成初始标签矩阵；(4)低秩表示；(5)生成样本相似度矩阵；(6)生成类别概率矩阵；(7)输出测试样本的类别。本发明采用半监督学习的方法可以在已知标签样本较少的情况下获得更高的识别正确率，同时，本发明采用低秩表示的方法，在样本受到噪声污染的情况下具有更强的鲁棒性。
-
公开(公告)号：CN112766161B
公开(公告)日：2022-12-02
申请号：CN202110074633.7
申请日：2021-01-20
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于集成约束多示例学习的高光谱目标检测方法，用于解决现有技术对复杂场景下的高光谱目标检测效果差的问题，实现步骤为：1)获取训练样本集和测试样本集；2)构建集成约束多示例学习网络W；3)对集成约束多示例学习网络W进行迭代训练；4)获取高光谱的目标检测结果。本发明将集成约束与多示例学习相结合，使得包中每一个像素点都能参与到网络的训练过程中，提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测，精准农业，食物安全的分析与检查。
-
公开(公告)号：CN102880875B
公开(公告)日：2016-03-02
申请号：CN201210387089.2
申请日：2012-10-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于LRR图的半监督学习人脸识别方法。其步骤为：(1)划分数据库样本集；(2)组成样本集合；(3)生成初始标签矩阵；(4)低秩表示；(5)生成样本相似度矩阵；(6)生成类别概率矩阵；(7)输出测试样本的类别。本发明采用半监督学习的方法可以在已知标签样本较少的情况下获得更高的识别正确率，同时，本发明采用低秩表示的方法，在样本受到噪声污染的情况下具有更强的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
