-
公开(公告)号：CN119693641A
公开(公告)日：2025-03-25
申请号：CN202411727364.X
申请日：2024-11-28
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/82 , G06V10/774 , G06V10/52 , G06V10/80 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于上下文学习的三维医学影像多器官重建方法，解决了现有技术中模型域迁移的问题；该方法包括：获取待推理医学影像和图像支持集，并对待推理医学影像进行预处理，得到预处理待推理医学影像，并对图像支持集进行预处理，得到预处理支持集图像；将预处理待推理医学影像和预处理支持集图像输入至训练完成的上下文多器官分割网络中进行零样本推理，得到多个处理后图像；根据多个处理后图像进行后处理，得到多器官三维重建结果；该方法利用支持集提供的全局上下文信息实现了无需训练即可完成对下游域三维医学影像的多器官重建。
-
公开(公告)号：CN119580119A
公开(公告)日：2025-03-07
申请号：CN202411743939.7
申请日：2024-11-30
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/40 , G06V10/774 , G06T7/30
Abstract: 本发明公开了一种基于多模态时空差分特征增强的遥感变化检测方法、系统、设备、介质及程序，属于遥感图像处理技术领域。方法包括基于地球观测卫星图像，构建变化检测所需的数据集；将变化检测所需的数据集的测试集输入到预训练的变化检测模型中，进行处理得到变化检测结果。本发明通过高效的多模态时空差分特征增强策略、灵活的网络架构设计以及广泛的骨干网络，在具备优异变化检测性能的同时，又保持网络结构简单性与通用性。
-
公开(公告)号：CN119579901A
公开(公告)日：2025-03-07
申请号：CN202411743965.X
申请日：2024-11-30
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/762 , G06V10/774 , G06V10/776 , G06N3/0455 , G06V10/44 , G06N3/084 , G06N3/047 , G06V10/764 , G06N3/09
Abstract: 本发明公开了基于局部一致性和伪标签过滤的遥感图像分割方法，包括以下步骤：获取光学遥感数据集；构建遥感图像分割模型，所述遥感图像分割模型包括局部一致性损失计算模块和伪标签过滤模块；将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图。提出了局部一致性损失和伪标签过滤策略，有效学习了局部一致性特征，去除了伪标签的噪声，得到了很好遥感图像分割效果，利用更多无标签遥感图像来提高遥感图像分割精度，可以对卫星获取的遥感图像进行分割，得到具有具体地物类别标签的分割图，解决遥感图像中物体密集、背景差异大、尺寸变化范围大、颜色和纹理差异大，较难得到局部一致性特征，并且伪标签中不可避免地存在大量噪声的问题。
-
公开(公告)号：CN119559390A
公开(公告)日：2025-03-04
申请号：CN202411531389.2
申请日：2024-10-30
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/13 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于交叉融合的多模态遥感图像分割方法及装置，涉及图像处理技术领域。包括：构建分割模型，分割模型包括多个第一transformer层、第一FFN、第一FAN、多个第二transformer层、第二特征融合网络FFN、第二FAN、多个第三transformer层、第三FFN、第三FAN、多个第四transformer层、第四FFN、颈部网络和解码器；利用多个训练集分别对分割模型进行迭代训练；利用每轮参数和验证集保存最优的参数，获得最终的分割模型，以便通过最终的分割模型，获得待处理的多模态遥感图像的最终的分割结果。使多模态遥感图像分割的准确率较高。
-
公开(公告)号：CN119399179A
公开(公告)日：2025-02-07
申请号：CN202411610791.X
申请日：2024-11-12
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06T7/66
Abstract: 本发明公开了一种基于混合分布的双层采样医学影像预训练方法及系统，结合了基于高斯分布的中心裁剪策略和基于局部梯度方向分布的掩码选择策略，用于提高医学图像预训练和分割的精度。高斯分布的中心裁剪策略通过利用符合高斯分布的基准中心点进行裁剪，使得裁剪区域更加集中于图像的主要部分；而基于局部梯度方向分布的掩码选择策略通过捕捉图像的形状特征，有效选择出医学影像中信息量较大的前景部分，从而在掩码重建过程中提高模型对图像关键特征的理解和分析能力。实验结果表明，本发明方法显著提升了医学影像分割的精度和可靠性。
-
Patent Agency Ranking
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
Applicant: 西安电子科技大学
IPC: G06T7/30 , G06N3/0464 , G06V10/46 , G06V10/82 , G06V10/774 , G06V10/766
Abstract: 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：CN113871892B
公开(公告)日：2024-07-19
申请号：CN202110934620.2
申请日：2021-08-16
Applicant: 西安电子科技大学
Abstract: 本发明属于可展开天线技术领域，公开了一种基于Bennett机构的空间可展开固面天线及应用，天线基座上固定有以Bennett机构为基本单元组成的n‑RRR/R可展开并联机构，可展开并联机构输出杆与面板连接；天线基座上通过支撑柱固定有中心底盘面，中心底盘面上侧固定有馈源调整架。本发明Bennett机构拥有展开面板所需的最少杆件数，同时其运动副为简单的旋转副，天线的展开可靠性高；同时Bennett机构所拥有的转动副最少，转动副误差累积小，使面板展开后的对齐误差小，最终天线展开后的型面精度高。轻量化和低成本：面板的展开机构至少需要4个构件，Bennett机构也是最小杆数，制造成本也越低、重量越小。
-
公开(公告)号：CN112560967B
公开(公告)日：2023-09-15
申请号：CN202011511695.1
申请日：2020-12-18
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了一种多源遥感图像分类方法、存储介质及计算设备，对待分类的多源遥感图像数据进行灰度压缩；将灰度压缩的多源遥感图像输入到群组注意力机制网络中；根据图像对应的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合；初始化群组注意力机制网络的参数；从训练样本集合中选取训练样本，分批次并归一化后训练初始化后的群组注意力机制网络；重复训练步骤直至满足终止条件；利用训练好的群组注意力机制网络预测分类；输出分类图像并计算分类指标。本发明采用双重利用图像的空间相结构信息，提取更有效的特征进行分类，提高了分类精度，可用于对多源遥感图像进行特征提取和地物分类。
-
公开(公告)号：CN112560966B
公开(公告)日：2023-09-15
申请号：CN202011511666.5
申请日：2020-12-18
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备，将待分类的极化SAR影像原始数据编码成极化散射矩阵；对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵，并构造散射关系邻接矩阵；将稀疏散射矩阵拉成列向量，然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中，随机选择每类的训练样本得到训练样本集合；将选取的训练样本集合分批次并归一化后与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练；得到散射图卷积神经网络的模型参数；最后利用训练好的分类器预测分类。本发明对极化SAR数据表示和学习，从而提高了分类精度，可用于对极化SAR影像散射特性进行建模和地物分类。
-
公开(公告)号：CN111832516B
公开(公告)日：2023-08-18
申请号：CN202010708067.6
申请日：2020-07-22
Applicant: 西安电子科技大学
IPC: G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于无监督视频表示学习的视频行为识别方法，包括下述步骤：(1)获取训练样本集和测试样本集；(2)构建生成对抗网络模型；(3)对生成对抗网络模型进行迭代训练；(4)构建视频行为识别模型；(5)对视频行为识别模型进行迭代训练；(6)获取视频行为识别结果。本发明在构建视频行为识别模型结构时，首先构建生成对抗网络模型的结构，再将训练后的生成对抗网络的编码器及其网络参数作为视频行为识别模型结构的组成部分，解决了现有技术只利用了图像空域信息的问题和没有捕捉视频帧中的长程信息的问题，提高了基于无监督视频表示学习方法的视频行为识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
243
records
(took 0.06 seconds)
