-
公开(公告)号：CN113887666A
公开(公告)日：2022-01-04
申请号：CN202111267091.1
申请日：2021-10-28
Applicant: 中国人民解放军空军工程大学 , 西安电子科技大学
Abstract: 本发明公开了一种基于Transformer的复合材料缺陷检测方法及系统，对基于Transformer的复合材料进行扫描，采集复合材料的超声信号；将超声信号划分为训练数据集X和验证数据集Y；构建基于Transformer的特征学习与分类模型；将划分的训练数据集X输入搭建的基于Transformer的特征学习与分类模型中对特征学习与分类模型进行训练，再将划分的验证数据集Y输入训练好的特征学习与分类模型中，得出基于Transformer的复合材料缺陷。本发明通过深度学习的方法将采集到的复合材料超声信号进行特征学习和分类，实现了对复合材料缺陷类型的准确判断。
-
公开(公告)号：CN113887667A
公开(公告)日：2022-01-04
申请号：CN202111267118.7
申请日：2021-10-28
Applicant: 中国人民解放军空军工程大学 , 西安电子科技大学
Abstract: 本发明公开了一种基于红外和超声信号融合的复合材料缺陷检测方法及系统，采集包含复合材料红外信号和超声信号的数据集，将数据集划分为训练数据集和验证数据集；构建基于深度学习的信号特征学习与融合分类模型，将训练数据集输入信号特征学习与融合分类模型中进行训练；将验证数据集输入训练好的信号特征学习与融合分类模型中，得出复合材料缺陷检测结果。有效解决超声检测存在的对缺陷类型的判断受人为因素影响较大和缺陷定性难的问题以及红外热成像检测中存在的缺陷类型分类准确率不高和无法很好的反映缺陷位置的问题，实现客观的对复合材料缺陷类型、位置的判断，提高缺陷类型分类的准确率。
-
公开(公告)号：CN106651778A
公开(公告)日：2017-05-10
申请号：CN201610349594.6
申请日：2016-05-25
Applicant: 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/001 , G06T2207/10036 , G06T2207/20081
Abstract: 本发明公开了一种基于自适应耦合观测与非线性压缩学习的光谱成像方法，主要解决现有技术无法保证观测矩阵与学习得到的字典不相关的问题。其实现步骤为：1.把原始空间中的信号投影到特征空间上；2.利用KPCA的方法，在特征空间中进行字典学习，求得稀疏字典；3.随机初始化观测矩阵，对由稀疏字典和初始观测矩阵的乘积组成的感知矩阵进行迭代训练，得到经过耦合优化的观测矩阵；4.通过核压缩感知的方法实现非线性压缩感知光谱成像；5.利用pre‑image方法恢复出原信号。实验结果表明：在不同的采样率下，本发明与现有以高斯随机矩阵作为观测矩阵的方法相比，其重构效果较好，可用于高光谱图像的低成本与高质量获取。
-
公开(公告)号：CN119600284A
公开(公告)日：2025-03-11
申请号：CN202411619330.9
申请日：2024-11-13
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/30 , G06V10/80 , G06V10/82 , G06T7/10 , G06T5/60 , G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于扩散机制的KAN算子医学影像分割方法，包括基于扩散机制和KAN算子构建扩散分割模型；该模型包括去噪模块，去噪模块包括去噪编码器、语义编码器、KAN模块、去噪解码器；将待处理的原始医学影像输入模型中作如下处理：利用语义编码器提取原始医学影像中的语义信息，得到第一特征；将语义编码器的每一层输出输入至去噪编码器的对应层级，利用去噪编码器提取噪声图像中的局部细节信息，得到第二特征；利用KAN模块对第二特征进行优化提炼，得到第三特征；将第一特征、第二特征、第三特征融合后，输入去噪解码器，同时将去噪编码器的每一层输出输入至去噪解码器的对应层级，输出分割结果。该方法可以显著提高分割精度。
-
公开(公告)号：CN119600034A
公开(公告)日：2025-03-11
申请号：CN202411619355.9
申请日：2024-11-13
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06V10/26 , G06V10/46 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于任务感知的三维医学图像重建预训练方法，包括：对原始三维医学图像进行预处理，得到预处理后的图像；构建掩码重建主任务，在掩码重建主任务中建立主任务网络；主任务网络包括依次串联的掩码模块、重建主任务编码器和重建主任务解码器；其中，掩码模块用于对预处理后的图像进行基于高语义信息掩码策略的选择性掩码；构建分割辅助任务，在分割辅助任务中建立辅助任务网络，用以感知下游分割任务；辅助任务网络包括分割任务编码器和分割任务解码器；对掩码重建主任务和分割辅助任务进行联合学习，以同时优化训练主任务网络和辅助任务网络。该方法提升了预训练效率，且在不增加下游任务复杂度的情况下，提升了分割精度。
-
Patent Agency Ranking
公开(公告)号：CN118115804A
公开(公告)日：2024-05-31
申请号：CN202410279218.9
申请日：2024-03-12
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/52 , G06V10/766 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了基于半弦偏移与知识蒸馏的旋转目标检测方法，包括以下步骤；步骤1，构建教师网络与学生网络联合训练的知识蒸馏检测框架；步骤2，构建教师网络的特征金字塔，输出教师的多尺度特征图；步骤3，构建教师和学生的骨干网络的残差级联特征蒸馏模块，得到学生的多尺度特征图；步骤4，构建半弦偏移表征模块，将特征图输入半弦偏移表征模块，输出的分类分支结果；步骤5，对分类分支结果和回归分支结果进行逻辑蒸馏，得到检测结果图像。本发明通过设计旋转框表征范式，并结合知识蒸馏框架来提高小模型的建模能力，以解决上述现有技术的缺点以提高遥感目标检测的精度。
-
公开(公告)号：CN117150357A
公开(公告)日：2023-12-01
申请号：CN202311080133.X
申请日：2023-08-25
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0464
Abstract: 本发明提出了一种基于多传感器相关特征融合的旋转机械设备故障诊断方法，实现步骤为：获取训练样本集和测试样本集；搭建基于多传感器相关特征融合网络的故障诊断模型；初始化参数；对故障诊断模型进行训练；获取训练好的故障诊断模型；获取故障诊断目标分类结果。本发明在对故障诊断模型进行训练以及获取诊断结果的过程中，由于多传感器相关特征融合网络可以对通过多传感器特征提取网络的输出结果所构建的传感器内标签相关矩阵与传感器间标签相关矩阵进行融合，实现了不同传感器间故障信息的互补，有效的提高了故障诊断的准确率。通过融合时域和时频域两个模态的故障信息，避免了现有技术的缺陷，进一步提高了故障诊断的准确率。
-
公开(公告)号：CN116805376A
公开(公告)日：2023-09-26
申请号：CN202310618438.5
申请日：2023-05-29
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于香农块注意机制的多尺度轮廓波网络的图像分类方法，包括：步骤1：获取原始遥感图像，对原始遥感图像进行标准化预处理，得到待测遥感图像；步骤2：将待测遥感图像输入至已训练的分类网络模型中，得到原始遥感图像的场景分类结果；其中，分类网络模型采用基于香农块注意机制的多尺度轮廓波网络。本发明的图像分类方法，利用基于香农块注意机制的多尺度轮廓波网络实现遥感图像的场景分类，该网络通过空域中的卷积神经网络和频域的Contourlet特征学习的优势，可以实现对遥感图像的多尺度、多方向的特征提取，从而提高分类精度；其次，通过Contourlet池化很好地保留了图像的边缘和纹理细节信息，也在一定程度上提升了遥感图像的分类效果。
-
公开(公告)号：CN116703934A
公开(公告)日：2023-09-05
申请号：CN202310678492.9
申请日：2023-06-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度轮廓波并行反向注意网络的图像分割方法，涉及图像处理技术领域，包括：获取待分割图像；使用多尺度轮廓波并行反向注意网络中的特征聚合模块提取待分割图像的空域特征、频域特征和频域增强后的特征，通过多尺度轮廓波并行反向注意网络中的并行部分解码器将频域增强后的特征进行聚合，得到全局映射图；根据多尺度轮廓波并行反向注意网络中的反向注意力模块，将全局映射图结合空域特征、频域增强后的特征和频域特征逐层获取反向注意力特征，将反向注意力特征经过激活函数处理，得到预测图。本发明能够增加网络模型的可解释性。
-
公开(公告)号：CN111695469B
公开(公告)日：2023-08-11
申请号：CN202010486459.2
申请日：2020-06-01
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V20/10 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。
-
-
-
-
-
-
-
-
-
Search Results
731
records
(took 0.065 seconds)
