-
公开(公告)号：CN110569887B
公开(公告)日：2022-07-29
申请号：CN201910770649.4
申请日：2019-08-20
申请人： 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于预测层特征增强的目标检测方法、存储介质及设备，所述方法包括以下步骤：S1、获取需要进行检测的目标图像；S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层；S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层；S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归；S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归；S6、输出所述目标图像的检测结果。根据本发明实施例的方法，能够在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。
-
公开(公告)号：CN110569763B
公开(公告)日：2022-05-24
申请号：CN201910798249.4
申请日：2019-08-27
申请人： 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要： 本发明属于人脸识别技术领域，具体涉及一种用于细粒度人脸识别的眼镜去除方法，包括步骤：将初始的戴眼镜人脸图像被切分为三个图像块，分别以Part1，Part2和Part3标识，其中Part2包含完整的眼镜部分；建立眼镜去除深度卷积神经网络ERCNN网络模型，将Part2作为ERCNN网络模型卷积层的输入，通过网络中MFM单元进行特征选择和最大元素操作，再利用反卷积、平均池化和逐个元素加权求和的操作，对Part2实现重构，进而得到去除眼镜后的新图像块Part2_new；将输出的Part2_new与原始的Part1和Part3进行合并，得到完整的去除眼镜的人脸图像。
-
公开(公告)号：CN110543879A
公开(公告)日：2019-12-06
申请号：CN201910769868.0
申请日：2019-08-20
申请人： 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要： 本发明提供一种基于SE模块的SSD目标检测方法及计算机存储介质，所述方法包括以下步骤：S1、获取需要进行目标识别的图片或者视频；S2、将卷积神经网络ResNet18的第一个卷积层替换为3×3卷积层，并在ResNet18的第一个和第二个残差块中添加SE模块，形成SE-ResNet18网络结构；S3、将SSD目标检测算法中的主干网络替换为所述SE-ResNet18网络结构，得到检测模型；S4、对所述检测模型进行针对小目标检测的训练，获得训练好的深度神经网络模型；S5、根据训练好的深度神经网络模型对所述图片或者视频的小目标进行检测，得到检测结果。根据本发明实施例的方法，既保证了一定的检测速度，又提升了小目标的检测精度，同时尽量降低了对模型大小的影响。
-
公开(公告)号：CN110569887A
公开(公告)日：2019-12-13
申请号：CN201910770649.4
申请日：2019-08-20
申请人： 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要： 本发明提供一种基于预测层特征增强的目标检测方法、存储介质及设备，所述方法包括以下步骤：S1、获取需要进行检测的目标图像；S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层；S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层；S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归；S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归；S6、输出所述目标图像的检测结果。根据本发明实施例的方法，能够在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。
-
公开(公告)号：CN110569763A
公开(公告)日：2019-12-13
申请号：CN201910798249.4
申请日：2019-08-27
申请人： 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要： 本发明属于人脸识别技术领域，具体涉及一种用于细粒度人脸识别的眼镜去除方法，包括步骤：将初始的戴眼镜人脸图像被切分为三个图像块，分别以Part1，Part2和Part3标识，其中Part2包含完整的眼镜部分；建立眼镜去除深度卷积神经网络ERCNN网络模型，将Part2作为ERCNN网络模型卷积层的输入，通过网络中MFM单元进行特征选择和最大元素操作，再利用反卷积、平均池化和逐个元素加权求和的操作，对Part2实现重构，进而得到去除眼镜后的新图像块Part2_new；将输出的Part2_new与原始的Part1和Part3进行合并，得到完整的去除眼镜的人脸图像。
-
公开(公告)号：CN106792435B
公开(公告)日：2019-11-26
申请号：CN201611038826.2
申请日：2016-11-23
申请人： 西安电子科技大学
摘要： 本发明公开了一种无线传感器网络中基于压缩感知的数据聚合方法，首先将传感网络均匀分簇，选举剩余能量最多的节点为簇头节点，成员节点以概率ptx独立选择是否参加采样，簇头节点始终参加采样；然后采样节点在获取原始信号f后在稀疏变换基下变换得到其稀疏表示x，x在测量矩阵Φ下进行投影，得到稀疏的测量信号y，并发送至簇头节点，簇头节点对所收集的测量信号使用向量化算子，合并成一个信号Y后发送至融合中心；最后融合中心利用自适应权重GPSR算法对其一一重建，恢复出其稀疏表示X。本发明在完全符合无线传感器网络信号含噪、数据量大、实时性要求较高的特点；自适应权重GPSR算法不需要预先知道信号稀疏度，能在较短时间精确重构出全部高维信号。
-
公开(公告)号：CN106646356B
公开(公告)日：2019-07-26
申请号：CN201611038825.8
申请日：2016-11-23
申请人： 西安电子科技大学
IPC分类号： G01S5/02
摘要： 本发明公开了一种基于卡尔曼滤波定位的非线性系统状态估计方法，提出了一种非线性滤波算法与卡尔曼滤波相结合的强适应卡尔曼滤波机制，使用基于平方根容积卡尔曼滤波的RSSI状态估计算法，对节点位置和信道参数同时进行估计，得到状态向量的估计值；依据状态方程的线性变化，使用卡尔曼滤波进一步处理得到最优估计，建立强适应平方根容积卡尔曼滤波算法；同理给出强适应扩展卡尔曼滤波算法的设计步骤；计算状态空间模型下基于RSSI状态估计的理论均方根误差下界。本发明使得估计的结果得到改善，提高精度。本发明不过分依赖于不合适的初始条件；能够很好地适用于高度非线性化系统，不会轻易让算法发散失效。
-
公开(公告)号：CN106646356A
公开(公告)日：2017-05-10
申请号：CN201611038825.8
申请日：2016-11-23
申请人： 西安电子科技大学
IPC分类号： G01S5/02
CPC分类号： G01S5/02
摘要： 本发明公开了一种基于卡尔曼滤波定位的非线性系统状态估计方法，提出了一种非线性滤波算法与卡尔曼滤波相结合的强适应卡尔曼滤波机制，使用基于平方根容积卡尔曼滤波的RSSI状态估计算法，对节点位置和信道参数同时进行估计，得到状态向量的估计值；依据状态方程的线性变化，使用卡尔曼滤波进一步处理得到最优估计，建立强适应平方根容积卡尔曼滤波算法；同理给出强适应扩展卡尔曼滤波算法的设计步骤；计算状态空间模型下基于RSSI状态估计的理论均方根误差下界。本发明使得估计的结果得到改善，提高精度。本发明不过分依赖于不合适的初始条件；能够很好地适用于高度非线性化系统，不会轻易让算法发散失效。
-
公开(公告)号：CN102098691B
公开(公告)日：2013-06-12
申请号：CN201110074478.5
申请日：2011-03-25
申请人： 西安电子科技大学
摘要： 本发明公开了一种具有抗毁性的无标度传感器网络建立方法，主要解决现有技术抗毁性差、可调性和普适性低的问题。该方法首先通过节点间的博弈进行簇头选择，实现簇头均匀分布；然后按照无标度网络演化方式进行簇头间拓扑演化，得到无标度传感器网络抗毁数学模型；最后根据传感器网络实际应用特点，充分考虑随机加点、随机去点，随机去边和重连的情况构建传感器网络。利用本发明建立的传感器网络不仅具有无标度特性，而且具有很好的可调性和普适性，且网络面对随机和蓄意攻击都具有很好的抗毁性，可满足自然灾害、军事应用等恶劣环境对传感器网络鲁棒性的要求。
-
公开(公告)号：CN103024857A
公开(公告)日：2013-04-03
申请号：CN201310006324.1
申请日：2013-01-08
申请人： 西安电子科技大学
摘要： 本发明公开了一种应用于无线传感器网络的分簇控制方法，主要解决现有技术可靠性差及可调性低的问题。该方法首先在无线传感器网络本身结构的基础上利用非平凡特征向量来形成与实际网络相匹配的原始簇；然后借助网络模块度的增量来评估合并这些原始簇，从而形成一个与真实网络更加匹配可靠的簇结构；最后根据无线传感器网络实际应用的特点，结合各节点的剩余能量及其周围能量分布的异配度从每个簇内选取簇头。利用本发明构建的无线传感器网络簇结构不仅具有更高的匹配性，而且具有很好的可调性，可满足在恶劣环境条件下，对无线传感器网络簇结构可靠性的要求。
-
-
-
-
-
-
-
-
-
搜索结果
33 条记录 (耗时 0.051 秒)
