-
公开(公告)号：CN118887228A
公开(公告)日：2024-11-01
申请号：CN202410945281.1
申请日：2024-07-15
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06N3/0455 , G06V10/774 , G06N3/0464 , G06V10/764 , G06V10/80
Abstract: 本发明公开了一种置信增强三分支一致性的半监督图像分割方法，涉及图像分割技术领域，解决了现有技术中由伪标签引导的图像分割中确认偏差和错误累计问题，该方法包括：构建半监督图像分割模型，半监督图像分割模型，包括：编码器、预测保守分支、预测激进分支和融合分支；利用训练集数据中的数据经过编码器进行处理，得到编码器输出数据；通过交叉监督的方法根据编码器输出数据对预测保守分支、预测激进分支和融合分支进行训练，得到训练完成的半监督图像分割模型；利用训练完成的半监督图像分割模型对待分割图像进行分割，得到分割后图像；实现了在只有少量标注样本的半监督条件下实现稳定精准的图像分割。
-
公开(公告)号：CN118397275A
公开(公告)日：2024-07-26
申请号：CN202410523064.3
申请日：2024-04-28
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明提供了一种基于质量驱动交叉学习的半监督3D影像分割方法包括：获取待分割的3D影像；将待分割的3D影像输入已经训练好的分割模型中进行分割，得到分割结果；其中，分割模型包括双网络结构的普通网络和证据网络，普通网络和证据网络两者互补但存在差异；训练好的分割模型通过在训练过程中，采用样本加权减少错误信息对分割影像的影响，并利用方向权重学习方法决定普通网络和证据网络的交叉监督学习方向得到。由于普通网络和证据网络具有适当的分歧，两者共同获得的分割结果具有更高的准确率和稳定性，因此可以实现只有少量标注样本的半监督条件训练分割模型，使得分割模型实现稳定精准的3D影像分割。
-
公开(公告)号：CN118688726A
公开(公告)日：2024-09-24
申请号：CN202410739695.9
申请日：2024-06-07
Applicant: 西安电子科技大学
IPC: G01S7/36
Abstract: 本发明公开了一种雷达干扰识别网络的建模方法和雷达干扰识别方法，其中，雷达干扰识别网络的建模方法包括：基于不同有源干扰信号建模雷达有源干扰数据集，以获得训练集；基于ResNet模型设计包括空间注意力模块和坐标注意力模块的ResNet‑SCA网络；其中，空间注意力模块和坐标注意力模块分别基于不同维度自适应的选择输入特征图的重要空间区域，以增强网络对图像中显著区域的识别能力；利用训练集对ResNet‑SCA网络进行训练，并在训练过程中使用交叉熵损失和对比损失共同优化网络，将训练好的网络作为雷达干扰识别网络。利用该方法构建的雷达干扰识别网络能够识别更多的雷达干扰类别，且具有较高的识别准确率。
-
公开(公告)号：CN116204777A
公开(公告)日：2023-06-02
申请号：CN202310186866.5
申请日：2023-03-01
Applicant: 西安电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/22 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于DeepEMD的少镜头自动调制方式识别方法，所述识别方法包括：获取待识别的信号；利用训练好的DeepEMD网络得到所述待识别的信号的调制类别，其中，训练好的DeepEMD网络利用训练样本集训练得到，DeepEMD网络包括特征向量组提取网络、特征向量组权重生成网络和EMD网络，特征向量组提取网络用于提取特征向量组，特征向量组权重生成网络用于生成特征向量组的权重，EMD网络用于根据所述特征向量组和对应的权重识别信号的调制类别，特征向量组包括若干特征向量。本发明采用的DeepEMD网络充分利用信号的局部信息，同时对每个特征计算权重，保证相关性高的特征在识别中占主导作用，减少噪声干扰。同时也能够在样本匮乏的情况下取得理想结果。
-
-
-
Search Results
4
records
(took 0.019 seconds)
