-
公开(公告)号：CN103854268A
公开(公告)日：2014-06-11
申请号：CN201410116030.9
申请日：2014-03-26
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于多核高斯过程回归的图像超分辨重建方法，主要解决现有超分辨方法产生边缘锯齿效应和重建纹理不丰富的问题。其实现步骤是：1）获取低分辨亮度图像和插值图像，并进行分块；2）提取低分辨亮度图像块的中心像素和八邻域来训练高斯过程回归上采样模型；3）使用上采样模型预测初始高分辨亮度图像块的像素值；4）将所有的初始高分辨亮度图像块组合得到初始高分辨亮度图像；5）获取模拟低分辨图像，并进行分块；6）提取模拟低分辨图像块的中心像素训练高斯过程回归去模糊模型；7）使用去模糊模型预测高分辨亮度图像块的像素值；8）将所有的高分辨亮度图像块组合得到高分辨率亮度图像。本发明可用于视频监控、高清电视成像。
-
公开(公告)号：CN119963899A
公开(公告)日：2025-05-09
申请号：CN202510023634.7
申请日：2025-01-07
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/44 , G06V10/774
Abstract: 本发明公开了一种基于双向概念感知的组合零样本学习的图像识别方法及设备，包括：获取待识别图像；采用训练好的图像识别模型识别待识别图像，得到识别结果；该图像识别模型采用预设训练集和预设损失函数训练；预设训练集中包含多组相关图像，每组相关图像中包含具有对象和状态的第一图像、第二图像和第三图像，第一图像与第二图像的对象相同但状态不同，第一图像与第三图像的状态相同但对象不同，对象和状态为两种不同的概念；预设损失函数用于将每张图像中的对象和状态进行解耦，挖掘状态和对象的独立与依赖表示，根据不同对象和状态的组合之间的部分概念一致性指导图像识别模型进行特征提取与分类。本发明能够提高对未见类图像的分类准确性。
-
公开(公告)号：CN113971815B
公开(公告)日：2024-07-02
申请号：CN202111266049.8
申请日：2021-10-28
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于奇异值分解特征增强的少样本目标检测方法，解决了少样本目标检测方法的泛化性和判别性较差的问题。实现包括：获取目标检测图像数据集；对训练样本集图像进行特征提取；构建特征增强模块对提取特征进行增强；RPN模块生成候选框区域并进行RoI对齐；对两种特征图融合形成特征融合层；目标物体的边框定位与分类；对改进后的Faster R‑CNN网络进行训练；对待检测图像进行目标检测。本发明提出了特征增强模块、特征融合层和Lkl损失函数三个部分，学习到图像更本质的特征和在高维空间的判别信息，使特征具有很好的泛化性和判别性，有效提高了少样本目标检测的定位与分类精度，可用于机器人导航、智能视频监控等领域。
-
公开(公告)号：CN116824214A
公开(公告)日：2023-09-29
申请号：CN202310560481.0
申请日：2023-05-17
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06T3/40 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于概念协作网络的组合零样本学习方法及其装置，包括：获取待测原始图像；使用训练好的概念协作网络的特征提取器对待测原始图像进行处理，得到特征；使用训练好的概念协作网络的状态编码器对待测原始图像的特征进行处理，得到状态特征；使用训练好的概念协作网络的对象编码器对待测原始图像的特征进行处理，得到对象特征；使用训练好的概念协作网络的概念交互模块对特征、状态特征和对象特征进行处理；将待测原始图像的特征的自注意力特征、状态特征的自注意力特征和对象特征的自注意力特征进行拼接；使用训练好的概念协作网络的学习模块对拼接的组合特征进行学习，得到待测原始图像的分类结果。本发明能够增强识别性能。
-
公开(公告)号：CN116434034A
公开(公告)日：2023-07-14
申请号：CN202310319479.4
申请日：2023-03-27
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06V20/58 , G06N3/045 , G06N3/096 , G06N3/084
Abstract: 本发明涉及一种基于互补关系挖掘的不平衡增量学习方法，包括：构建不平衡增量学习模型包括：旧任务模型、当前任务模型、特征滤波器、旧‑新编码器、头‑尾编码器和分类器；构建不平衡数据集；将数据集输入至不平衡增量学习模型中进行增量学习；其中，在增量学习过程中，使用头‑尾编码器挖掘多数类和少数类数据之间的关系，旧‑新编码器挖掘旧任务模型和当前任务模型生成的特征之间的关系。利用学习完成后的当前任务模型实现分类识别。本发明提供了一种新的增量学习方法，可以应用至自动驾驶等多种实际场景中，解决了传统增量学习过程中数据分布不平衡导致的性能下降问题和灾难性遗忘导致分类识别精度变差而产生的安全性问题。
-
Patent Agency Ranking
公开(公告)号：CN108537762B
公开(公告)日：2019-12-24
申请号：CN201810315119.6
申请日：2018-04-10
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度多尺度网络的二次JPEG压缩图像取证方法，旨在提高图像取证的准确率，实现步骤为：提取待取证JPEG图像的N个DCT系数直方图特征；对四个深度神经网络进行训练；获取待取证JPEG图像中一个DCT系数直方图特征对应数据块的初步篡改检测结果；获取待取证JPEG图像中一个DCT系数直方图特征对应数据块的最终篡改检测结果；获取待取证JPEG图像中另外N‑1个DCT系数直方图特征对应数据块的最终篡改检测结果；获取待取证JPEG图像的取证结果图。本发明可用于新闻摄影鉴定、司法鉴定、保险鉴定和银行电子票据鉴定等领域。
-
公开(公告)号：CN110175251A
公开(公告)日：2019-08-27
申请号：CN201910442481.4
申请日：2019-05-25
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于语义对抗网络的零样本草图检索方法，主要解决现有技术草图类内方差较大和零样本设置下视觉知识难以从已知类迁移到未见类的问题。其方案为：获取训练样本集；构建语义对抗网络，通过VGG16网络提取RGB图像特征；构建生成网络以生成具有判别性的RGB图像特征；将待检索的草图输入语义对抗网络生成语义特征，将语义特征和随机高斯噪声输入生成网络中生成RGB图像特征，在图像检索库中寻找与RGB图像特征最相似的前200张图像得到检索结果。本发明降低了草图图像特征的类内方差，能保证每个类别中根据草图图像生成的RGB图像特征，提高了零样本草图检索的检索性能，可用于电子商务、医疗诊断、遥感成像。
-
公开(公告)号：CN108537762A
公开(公告)日：2018-09-14
申请号：CN201810315119.6
申请日：2018-04-10
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度多尺度网络的二次JPEG压缩图像取证方法，旨在提高图像取证的准确率，实现步骤为：提取待取证JPEG图像的N个DCT系数直方图特征；对四个深度神经网络进行训练；获取待取证JPEG图像中一个DCT系数直方图特征对应数据块的初步篡改检测结果；获取待取证JPEG图像中一个DCT系数直方图特征对应数据块的最终篡改检测结果；获取待取证JPEG图像中另外N-1个DCT系数直方图特征对应数据块的最终篡改检测结果；获取待取证JPEG图像的取证结果图。本发明可用于新闻摄影鉴定、司法鉴定、保险鉴定和银行电子票据鉴定等领域。
-
公开(公告)号：CN103761723B
公开(公告)日：2016-10-26
申请号：CN201410029364.2
申请日：2014-01-22
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于多层支持向量回归机模型的图像超分辨重建方法，主要解决现有超分辨方法存在丢失高频信息、产生振铃效应等问题。其实现步骤是：（1）分别创建训练样本库和测试样本库；（2）建立训练样本的第一层支持向量回归机模型；（3）预测高分辨亮度初始图像和初始训练图像；（4）计算初始训练图像的差值训练图像；（5）建立差值训练图像的第二层支持向量回归机模型；（6）预测高分辨亮度差值图像；（7）将高分辨亮度初始图像与高分辨亮度差值图像相加得到高分辨亮度图像。本发明重建的图像具有边缘清晰、纹理丰富、更逼近真实图像的优点，可用于视频监控、高清晰电视HDTV成像。
-
公开(公告)号：CN103810299A
公开(公告)日：2014-05-21
申请号：CN201410085211.X
申请日：2014-03-10
Applicant: 西安电子科技大学
CPC classification number: G06F17/30247 , G06F17/30256 , G06K9/6215 , G06K9/6217
Abstract: 本发明公开了一种基于图像多特征融合的图像检索方法，主要用于解决现有技术检索图像准确率低的问题。其实现步骤为：（1）提取待检索图像集合中所有图像的三种视觉特征和语义属性特征；（2）计算待检索图像集合中所有图像间邻接距离矩阵；（3）对查询图像在每一种特征通道进行粗检索；（4）根据每一种特征通道的粗检索结果，分析粗检索结果中图像的语义属性特征，选定参考图像；（5）根据选定的参考图像，计算每一种特征融合模板矩阵；（6）根据得到的融合模板矩阵，得到融合后的距离测度矩阵；（7）根据得到的距离测度矩阵，返回给用户检索的结果。本发明明显提高了最终图像检索的准确率，可用于图像检索。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.028 seconds)
