-
公开(公告)号：CN109548029B
公开(公告)日：2021-10-22
申请号：CN201910019272.9
申请日：2019-01-09
Applicant: 重庆邮电大学
IPC: H04W12/121 , H04W84/18
Abstract: 本发明公开一种面向无线传感器网络的两级节点信任评估方法，针对行为数据模糊的节点进行信任评估，防止恶意节点对传感器网络的攻击。具体步骤如下：首先，对被评估节点直接监测得到的行为数据去模糊，以得到节点直接信任值；其次，结合直接、历史以及推荐信任数据评估节点最终信任值；接着，多次评估得到信任样本，并引入云模型建立正态信任云，作为节点最终信任等级评估依据；最后，根据实际需求划分标准信任云组，并采用精简分类方法匹配节点最佳标准信任云，从而确定节点信任等级。本发明分析行为数据模糊性对信任评估的影响，构建两级信任评估模型，包括模糊推理、多源信任智能融合以及信任云重构与分类，从而提高节点信任等级的评估精度。
-
公开(公告)号：CN110889345A
公开(公告)日：2020-03-17
申请号：CN201911118423.2
申请日：2019-11-15
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种基于协作表示与分类的判别低秩矩阵恢复遮挡人脸识别方法，属于模式识别领域。本方法针对训练样本和测试样本均受到严重的噪声污染的人脸识别问题提出解决方法。首先通过在低秩矩阵恢复中引入结构非相关性约束，从被污损的训练样本中恢复出干净的训练样本，然后通过学习原始污损数据与干净的低秩数据的低秩投影矩阵，将受污损的测试样本投影到相应的底层子空间来进行修正。最后，利用CRC对测试样本图像进行分类，获取识别结果。本方法不仅可以恢复出具有更强判别信息的干净人脸图像，而且还可以保持原始数据的局部几何结构，大大提高了遮挡人脸图像的识别率，具有更好的识别性能，使得在现实世界应用中的遮挡人脸识别更实用。
-
公开(公告)号：CN116468909B
公开(公告)日：2025-04-29
申请号：CN202210007221.6
申请日：2022-01-05
Applicant: 重庆邮电大学
IPC: G06V10/58 , G06V10/40 , G06V10/764
Abstract: 本发明属于遥感图像处理技术领域，涉及一种基于测地线空谱协同图学习的高光谱图像特征提取方法。该方法利用协同表示方法学习高光谱图像像素间的全局协同表示关系，并通过局部约束刻画高光谱数据的局部流形结构以提高系数矩阵的判别能力。除此之外，在上述构建的全局协同表示模型的正则化项中融入空间邻近信息与基于测地线距离的光谱信息，获得测地线度量约束的空谱协同表示系数矩阵，以充分揭示和利用高光谱数据的空谱邻近结构特性。在此基础上，利用该表示系数矩阵构造无监督加权图，基于图嵌入理论推导出最优的高光谱低维特征投影矩阵，将原始高光谱图像映射到低维特征子空间。相比于其他特征提取方法，本方法能够提供更加有价值的特征信息，有效发掘高光谱数据的复杂内蕴特性，从而取得更高的分类精度。
-
公开(公告)号：CN116563606A
公开(公告)日：2023-08-08
申请号：CN202310380529.X
申请日：2023-04-11
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V20/10 , G06V10/42 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于双分支空谱全局特征提取网络的高光谱图像分类方法。该方法通过分别学习高光谱图像的空间特征和光谱特征。其特点在于学习空间特征的空间子网络主体部分为编码解码结构，并利用跳跃连接，空间注意力和通道注意力增强特征表示。此外，设计了一个空间全局特征表示模块用于学习编码后的空间特征，并利用该模块表达全局空间特征。学习光谱特征的光谱子网络采用了渐进式特征学习的思想，并利用视角注意力强化渐进学习到的特征。最后，再利用自适应加权方法，融合两个子网络的结果。在多个真实高光谱遥感图像数据集上的实验结果显示，本发明所提出的双分支空谱全局特征提取网络能够取得优异的分类性能。
-
公开(公告)号：CN111476272B
公开(公告)日：2023-02-21
申请号：CN202010167087.7
申请日：2020-03-11
Applicant: 重庆邮电大学
IPC: G06V10/77 , G06V10/774 , G06N20/20
Abstract: 本发明涉及一种基于结构约束对称低秩保留投影的降维方法，属于机器学习和模式识别技术领域。该方法包括以下步骤：S1：图像数据集预处理，形成训练集；其中训练集中包含图像数据的数据信息X矩阵和有监督数据标签T矩阵；S2：构建结构约束对称低秩保留投影模型，首先构建基础投影降维模型，同时引入低秩表示学习和监督信息；S3：采用合适的权重更新策略和结束规则对表示矩阵Z、投影矩阵P和监督信息矩阵R进行联合学习，得到训练好的投影降维模型；S4：将图像样本信息输入已训练好的投影降维模型，得到样本的目标分类和重建信息。本发明能够提升降维准确率。
-
Patent Agency Ranking
公开(公告)号：CN118038157A
公开(公告)日：2024-05-14
申请号：CN202410201437.5
申请日：2024-02-23
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于双编码器多阶段特征融合网络的红外小目标检测方法。该方法通过从红外图像中提取更多有价值的信息，并充分利用网络不同阶段的特征信息。其特点在于设计一个具有不同的输入的双编码器，以捕获更多与小目标相关的信息。此外，设计了一个感受野扩展注意力模块用于整合非局部上下文信息，以提取多尺度空间信息和丰富通道交互信息。在解码阶段，采用三输入特征融合模块来交换低级空间细节和高级语义信息，以在更深层中保留更多小目标信息。最后，再通过连接来自解码器不同层的多尺度特征，生成更具区分性的特征图。在红外小目标数据集上的实验结果显示，本发明所提出的双编码器多阶段特征融合网络能够取得出色的检测性能。
-
公开(公告)号：CN109934304A
公开(公告)日：2019-06-25
申请号：CN201910228715.5
申请日：2019-03-25
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于超限隐特征模型的盲领域图像样本分类方法，该方法采用了跨领域数据生成与增广策略，高效地降低不同数据领域之间的偏差。具体地说，超限隐特征模型将ELM和ELM-AE(基于ELM的自编码器)纳入统一的优化模型，继承了ELM和ELM-AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果，具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度。本发明利用超限隐特征模型解决盲领域适配问题，融合跨领域知识，有效降低不同领域数据之间的领域偏差，提高了盲领域数据分类准确率。
-
公开(公告)号：CN109934295A
公开(公告)日：2019-06-25
申请号：CN201910204091.3
申请日：2019-03-18
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于超限隐特征学习模型的图像分类与重建方法，采用了一种数据重构策略进行特征学习，高效学习原始感知数据与相应的高级语义转换关系。具体地说，ELM和ELM-AE(基于ELM的自编码器)被统一在一个学习模型中，该模型具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度并具备优异的图像数据重建能力。ELF(超限隐特征学习模型)继承了ELM和ELM-AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果。此外，使用了一种基于交错方向法的高效算法来求解优化ELF模型，进一步提升了ELF模型的精度。
-
公开(公告)号：CN109669009A
公开(公告)日：2019-04-23
申请号：CN201910021835.8
申请日：2019-01-10
Applicant: 重庆邮电大学
Abstract: 本发明公开了基于域校正的域自适应极限学习机电子鼻漂移抑制方法，其从数据分布的角度出发，将数据分布不一致的源域数据和目标域数据映射到一个高维希尔伯特空间，在此空间最小化源域和目标域的域距离，同时，在最大程度上保留原始源域和目标域的数据属性。得到域校正后的源域和目标域数据，从数据层面上对漂移进行了抑制。再将目标域中的迁移样本和无标签样本纳入ELM中学习，得到域自适用ELM，从决策层面提高预测模型的鲁棒性。本发明的优点：在不增加样本的情况下，调整数据分布，并将目标域中无标签样本纳入到分类器的学习当中，从数据层面和决策层面两个层面上抑制了漂移，提高模型鲁棒性。
-
公开(公告)号：CN119942297A
公开(公告)日：2025-05-06
申请号：CN202411912211.2
申请日：2024-12-24
Applicant: 重庆邮电大学
IPC: G06V10/82 , G06V10/42 , G06V10/80 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于多样化特征学习和协调的红外小目标检测方法。该方法提出了多样化特征捕获和协调网络，该网络通过多路径编码学习并协调多样化特征。多样化特征学习与协调网络包括一个与检测分支并行运行的红外图像重建分支，通过互补的上下文编码保持小目标信息，并减少特征丢失。此外，本发明引入了一个使用FTConv的全局特征提取分支，用于捕捉目标边缘并抑制背景噪声。跨层特征自适应选择方法自适应地协调各层特征，增强了在复杂背景中的检测能力，并保持了小目标细节。本发明还提出了坐标校准损失函数和两阶段训练策略，用于细化预测的目标位置。三个红外小目标数据集上的实验结果表明，本发明所提出的方法优于当前的最先进方法。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.024 seconds)
