-
公开(公告)号：CN105550712B
公开(公告)日：2019-01-08
申请号：CN201510976336.6
申请日：2015-12-23
Abstract: 本发明公开了基于优化卷积自动编码网络的极光图像分类方法，主要解决现有技术对极光图像分类准确率较低的问题。其实现步骤为：1.求极光图像显著图并基于其显著图提取训练样本；2.对训练样本进行白化预处理；3.训练自动编码网络AE；4.利用训练好的自动编码网络求极光图像的卷积自编码特征；5.将极光图像的卷积自编码特征进行平均池化；6.将池化后的卷积自编码特征输入到softmax分类器，实现对极光图像的分类。本发明能实现对四类极光图像的计算机自动分类，且具有分类准确率高的优点。可用于图像的场景分类与目标识别。
-
公开(公告)号：CN105550712A
公开(公告)日：2016-05-04
申请号：CN201510976336.6
申请日：2015-12-23
CPC classification number: G06K9/6256 , G06K9/627 , G06N3/088
Abstract: 本发明公开了基于优化卷积自动编码网络的极光图像分类方法，主要解决现有技术对极光图像分类准确率较低的问题。其实现步骤为：1.求极光图像显著图并基于其显著图提取训练样本；2.对训练样本进行白化预处理；3.训练自动编码网络AE；4.利用训练好的自动编码网络求极光图像的卷积自编码特征；5.将极光图像的卷积自编码特征进行平均池化；6.将池化后的卷积自编码特征输入到softmax分类器，实现对极光图像的分类。本发明能实现对四类极光图像的计算机自动分类，且具有分类准确率高的优点。可用于图像的场景分类与目标识别。
-
公开(公告)号：CN119922333A
公开(公告)日：2025-05-02
申请号：CN202510057810.9
申请日：2025-01-14
Applicant: 西安电子科技大学
IPC: H04N19/587 , H04N19/59 , H04N19/51 , H04N19/139 , H04N19/42 , G06T9/00
Abstract: 本发明公开了一种基于平面特征引导中间帧光流的视频插帧方法及装置，方法包括：针对视频中待插入中间帧的第一帧和第二帧提取平面特征、分层特征和第一运动信息；根据所述平面特征预测运动偏置和运动系数；所述运动偏置和运动系数用于对所述帧间运动进行建模；根据所述第一运动信息、所述运动偏置和运动系数，确定所述第二运动信息；根据所述第二运动信息生成中间帧光流；根据所述分层特征和所述中间帧光流，确定中间帧残差；根据所述第一帧、所述第二帧、所述中间帧光流和所述中间帧残差生成中间帧。本发明可提高视频时间分辨率，尤其是在大规模运动或复杂场景下的视频时间分辨率。
-
公开(公告)号：CN114240961B
公开(公告)日：2024-11-26
申请号：CN202111351003.6
申请日：2021-11-15
Applicant: 西安电子科技大学
Abstract: 本发明属于医学图像处理技术领域，公开了一种U‑Net++细胞分割网络系统、方法、设备及终端，所述U‑Net++细胞分割方法包括：通过数据增强、数据归一化和规整化图像尺寸操作对输入图像进行初始化预处理；训练基于多尺度和多特征融合模块的U‑Net++细胞分割模型，以U‑Net++网络为基础，添加多尺度模块和多特征融合模块，对输入图像进行分割，得到初步分割结果；利用分水岭算法，对细胞分割图像中的粘连区域进行精确分割；分别采用实例方法以及现有技术对验证集中的图像进行分割，并进行对比实验及分析。本发明以U‑Net++网络为基础，通过整合不同尺度下的特征提升了分割结果的准确率，并保证了稳定的分割精度。
-
公开(公告)号：CN114882055B
公开(公告)日：2024-10-25
申请号：CN202210604865.3
申请日：2022-05-30
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于多方向梯度算子的遥感图像脊线标注方法，用于解决现有技术中遥感图像拓扑结构复杂以及脊线分叉时标注效果不佳的问题。实现步骤为：对遥感图像进行平滑处理；生成3个方向的梯度算子；利用多方向梯度算子生成脊线图；在树状图中存储脊线的路径信息；重构树状图的组织结构；用重构后树状图中的信息进行脊线标注。本发明采用多方向梯度算子获取遥感图像中脊线的明暗空间梯度特征，以树状图存储脊线的位置信息，使得本发明具有面对复杂遥感图像拓扑结构时脊线标注效果好的优点。
-
Patent Agency Ranking
公开(公告)号：CN114998252B
公开(公告)日：2024-09-24
申请号：CN202210604898.8
申请日：2022-05-30
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , A61B5/00 , A61B5/369 , A61B5/372
Abstract: 本发明提出了一种基于脑电信号和记忆特性的图像质量评价方法，实现步骤为：获取每张彩色图像的可记忆特征值；生成记忆性强弱不同的彩色失真图像；采集受试者在观看记忆性强弱不同的彩色失真图像时的脑电信号；截取每位受试者在感知到图像失真时的脑电信号片段；利用脑电信号片段生成训练集；构建深度卷积神经网络；训练深度卷积神经网络；采用训练好的网络对强记忆性图像和弱记忆性图像进行质量评价。本发明在图像质量评价过程中，通过采用深度卷积神经网络对强记忆性图像和弱记忆性图像所诱发的脑电信号进行分类，解决了现有技术中未考虑图像的记忆特性对失真感知影响的问题和无法有效提取脑电信号的深层特征的问题，提高了图像质量评价的准确性。
-
公开(公告)号：CN113222813B
公开(公告)日：2024-02-09
申请号：CN202110420575.9
申请日：2021-04-19
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图像超分辨率重建方法、装置、电子设备及存储介质，该方法包括：获取待处理图像；将待处理图像输入至超分辨率重建模型，以使超分辨率重建模型对待处理图像中的各个像素点进行预测，并获得待处理图像的超分辨率重建图像；超分辨率重建模型为预先使用多个训练样本训练得到的二值神经网络模型，每个训练样本包括第一分辨率图像块以及对应的第二分辨率图像块；其中，所述第二分辨率大于所述第一分辨率。由于超分辨率重建模型中的双流二值推理层可通过量化阈值提升二值量化精度，并以双流的网络结构提升超分辨率重建模型的信息承载能力，因此能够显著提升超分辨率重建模型的性能，同时也可以在保证图像重建精度的基础上提高重建速度。
-
公开(公告)号：CN116482679A
公开(公告)日：2023-07-25
申请号：CN202310463816.7
申请日：2023-04-26
Applicant: 西安电子科技大学
Abstract: 利用深度自编码器进行雷达与光电数据缺失值插补方法，包括以下步骤；步骤1，构建训练集A和测试集B；步骤2，构建深度自编码器模块；步骤3，构建基于自适应学习的深度自编码模块；步骤4，利用步骤2中的深度自编码器模块，对缺失值部分进行第一次重构；得到自适应学习深度自编码器的缺失值插补模型；步骤5，对自适应学习深度自编码器的缺失值插补模型进行训练，使用堆叠动态样本对模型参数进行更新；步骤6，使用训练完成的自适应学习深度自编码器的缺失值插补模型对测试集B中的数据进行实验，以验证自适应学习深度自编码器对于雷达与光电数据缺失值插补的有效性。本发明实现在雷达轨迹与光电轨迹融合之前数据的完整性。
-
公开(公告)号：CN116451118A
公开(公告)日：2023-07-18
申请号：CN202310422057.X
申请日：2023-04-19
Applicant: 西安电子科技大学
IPC: G06F18/24 , G01S7/40 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于深度学习的雷达光电异常值检测方法，包括以下步骤；步骤1，获取雷达和光电传感器采集到的点迹数据，构建训练数据集和测试数据集；步骤2，构建卷积提取特征矩阵模块；步骤3，构建卷积编码器模块；步骤4，构建基于注意力机制的卷积‑门控循环神经网络模块，提取时间特征；步骤5，反卷积解码重构特征矩阵；得到重构的特征矩阵；步骤6，构建误差分析模块，得到误差损失函数；步骤7，构建模型训练模块；步骤8，构建模型验证模块；选取步骤7训练过程中损失函数最小的模型，在测试集上对模型进行验证。本发明通过提取点迹数据的时间和空间特征，构建多尺度异常值检测模型，以达到提高异常值检测准确性的目的。
-
公开(公告)号：CN112001225B
公开(公告)日：2023-06-23
申请号：CN202010642053.9
申请日：2020-07-06
Applicant: 西安电子科技大学
Abstract: 本发明属于计算机视觉与深度学习技术领域，公开了一种在线多目标跟踪方法、系统及应用，将视频当前帧图像输入到卷积神经网络中；在卷积神经网络中卷积后，对不同目标在不同通道特征图上的特征进行提取；融合所提取到的特征为一个特征矩阵；将视频下一帧图像输入，重复上述步骤得到该帧的特征矩阵；将当前帧的特征矩阵与之前得到的前n(1≤n≤30)帧特征矩阵进行数据关联操作；将数据关联操作后的结果利用改进后的匈牙利算法实现目标之间的正确跟踪，实现多目标跟踪方法。根据实验结果，本发明的在线多目标跟踪方法有效提高了跟踪准确度，且在复杂场景下也有很好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
253
records
(took 0.093 seconds)
