-
公开(公告)号：CN119672397A
公开(公告)日：2025-03-21
申请号：CN202411568903.X
申请日：2024-11-05
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/082
Abstract: 本发明提供基于双通道的多模态特征融合遥感图像分类方法及装置，涉及遥感影像处理与分析技术领域。包括：对不同模态的遥感图像进行预处理和组合图像，得到多个图像组；构建预设分类模型，预设分类模型包括依次连接的骨干网络、融合模块、门控机制层和解码层，骨干网络的结构类型包括孪生骨干网络、同构骨干网络和异构骨干网络；根据多个图像组，在预设分类模型中选取孪生骨干网络、同构骨干网络和异构骨干网络中的一个，作为骨干网络，以得到对应的目标分类模型；通过训练集对目标分类模型进行训练，得到训练好的目标分类模型；将验证集输入训练好的目标分类模型，输出分类结果。这样，使得遥感图像分类的准确性较高。
-
公开(公告)号：CN112053386B
公开(公告)日：2023-04-18
申请号：CN202010896617.1
申请日：2020-08-31
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度卷积特征自适应集成的目标跟踪方法，其步骤如下：提取深度卷积特征；计算核相关滤波器；使用集成矢量更新公式更新当前帧的集成矢量；利用自适应集成计算公式预测当前帧图像的目标位置；使用深度卷积特征更新公式，更新当前帧的深度卷积特征；将选完含有待跟踪目标视频图像序列迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。本发明通过集成特征，克服了现有技术存在的跟踪器不能充分利用不同通道目标特征包含的信息，使得本发明在目标跟踪过程中更加准确地获取待跟踪目标位置，增强了目标跟踪的准确性和可靠性。
-
公开(公告)号：CN112733769B
公开(公告)日：2023-04-07
申请号：CN202110060277.3
申请日：2021-01-18
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/764
Abstract: 本发明提出了一种基于多波段熵率超像素分割的高光谱图像分类方法，用于解决现有技术存在的分类精度较低和分类效率较低的技术问题，实现步骤为：(1)对高光谱图像进行多波段熵率超像素分割；(2)获取训练集和测试集；(3)对多分类支持向量机分类器进行训练；(4)获取高光谱图像的分类结果。本发明采用的基于多波段熵率超像素分割的高光谱图像分类方法，充分利用了高光谱图像地物目标的光谱信息和多波段上的空间分布信息，从而有效提高了高光谱图像的分类精度，且分类效率较高，可应用于灾害监测、地质勘探、城市规划、农业和考古等领域。
-
公开(公告)号：CN113486981B
公开(公告)日：2023-02-07
申请号：CN202110869707.6
申请日：2021-07-30
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于多尺度特征注意力融合的RGB图像分类方法，实现步骤为:(1)获取训练样本集R1和测试样本集E1；(2)构建基于多尺度特征注意力融合网络的图像分类模型T；(3)对基于多尺度特征注意力融合网络的图像分类模型T进行迭代训练；(4)获取RGB图像的分类结果。本发明所构建的多尺度特征注意力融合网络可以对输入特征图进行全局特征和局部特征的提取，然后通过sigmoid激活层和特征融合层对获得的全局特征和局部特征进行融合，有效解决了深度学习中特征提取不充分的问题，有效提升了RGB图像分类的精度。
-
公开(公告)号：CN115690872A
公开(公告)日：2023-02-03
申请号：CN202211201514.4
申请日：2022-09-29
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于特征融合的表情识别模型的训练方法及识别方法，该方法包括：采用多张预处理图像训练特征提取网络；构建包括预训练的特征提取网络、翻转特征融合网络、分类网络和乱序融合网络的模型；每次选取多张预处理图像，将选取的图像和其翻转图像输入模型，通过翻转特征融合网络得到第一全局融合特征和翻转注意力损失；通过乱序特征融合网络得到第二全局融合特征；通过分类网络得到第一全局融合特征的分类损失和第二全局融合特征的乱序融合损失；根据这三个损失迭代调整模型参数，从而得到预训练的翻转特征融合网络和预训练的分类网络；将预训练的特征提取网络、预训练的翻转特征融合网络和预训练的分类网络组成的模型作为得到的模型。
-
Patent Agency Ranking
公开(公告)号：CN112053384B
公开(公告)日：2022-12-02
申请号：CN202010883760.7
申请日：2020-08-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边界框回归的目标跟踪方法，主要解决因传统的相关滤波器预测的目标区域不准确的问题，本发明实现的步骤如下：计算连续分辨率的空间特征图；计算相关滤波器；构建边界框回归模型；回归预测的目标位置；将调整后的目标区域位置作为对于目标跟踪的结果；判断当前帧视频图像是否为待跟踪视频图像序列的最后一帧图像，若是，则执行下一步，否则，用下一帧从头开始执行；结束对待跟踪目标的跟踪。本发明通过构造边界框回归行，更准确地预测了目标区域的位置信息，也通过三次线性插值的方式丰富了神经网络对目标区域提取到的特征，最终实现了准确的目标跟踪。
-
公开(公告)号：CN110210562B
公开(公告)日：2022-06-10
申请号：CN201910473936.9
申请日：2019-06-02
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度网络和稀疏Fisher矢量的图像分类方法，旨在解决现有技术中存在的的准确率较低的技术问题，实现步骤为：获取训练数据集和待分类数据集；构建深度神经网络A，对深度神经网络A进行训练，得到深度神经网络B；提取深度神经网络B中第二个全连接层的图像特征，对特征建立高斯混合模型Z1，然后对Z1中的特征向量进行稀疏Fisher矢量编码；用稀疏Fisher编码后的特征对应的图像对深度神经网络B进行训练，得到深度神经网络C；将待分类数据集输入深度神经网络C进行图像分类。本发明提高了分类的准确率和分类效率，可用于对医疗和交通等领域图像的分类。
-
公开(公告)号：CN110321963B
公开(公告)日：2022-03-04
申请号：CN201910616371.5
申请日：2019-07-09
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V20/13 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于融合多尺度多维空谱特征的高光谱图像分类方法，其实现步骤为：(1)输入高光谱图像；(2)对待分类的高光谱图像进行预处理；(3)邻域取块；(4)生成训练集与测试集；(5)构建多尺度空谱特征和多维特征融合网络；(6)训练多尺度空谱特征和多维特征融合网络；(7)对测试样本进行分类。本发明提出的方法能有效解决卷积神经网络在训练时特征太过单一和尺度太过单一的问题，并且能够解决进行高光谱分类时平均分类精度AA低的问题，在实现较高分类精度的同时，能保持对小样本数量类别的识别能力，分类性能良好。
-
公开(公告)号：CN113807362A
公开(公告)日：2021-12-17
申请号：CN202111031606.8
申请日：2021-09-03
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于层间语义信息融合深度卷积网络的图像分类方法，主要解决现有图像分类算法无法同时兼顾复杂图像分类准确度和对图像中小目标敏感性的问题，其实现方案是：获取训练集和测试集；构建包括多级特征提取模块、金字塔池化结构、语义融合结构及输出层的层间语义信息融合深度卷积网络；采用训练集利用梯度下降法对构建的网络进行迭代训练；将测试集输入到训练好的网络模型中，得到图像的分类结果。本发明通过构建金字塔池化结构与语义融合结构，通过将中层弱语义信息特征与深层强语义信息特征相融合，在兼顾复杂图像分类精度的同时，提高了对小目标的敏感性，提高了图像分类的精度，可用于视频监控、智能交通、医疗保健及人机交互。
-
公开(公告)号：CN112529415A
公开(公告)日：2021-03-19
申请号：CN202011458878.1
申请日：2020-12-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于组合多感受野图神经网络的物品评分方法，其实现步骤为：(1)构建属性特征提取模块；(2)构建结构特征提取模块；(3)构建图解码器模块；(4)生成组合多感受野图神经网络；(5)构建属性特征矩阵和用户‑物品评分矩阵；(6)生成用户‑物品二部有权图；(7)生成训练集；(8)训练组合多感受野图神经网络；(9)评分。本发明提出的方法能够提取用户和物品的属性特征和结构特征，充分挖掘用户和物品信息，具有评分准确度高的优点。
-
-
-
-
-
-
-
-
-
Search Results
321
records
(took 0.046 seconds)
