-
公开(公告)号：CN106096506A
公开(公告)日：2016-11-09
申请号：CN201610368813.5
申请日：2016-05-28
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G06K9/628
Abstract: 本发明提供了一种基于子类类间判别双字典的SAR目标识别方法，其首先基于每一类训练样本的SAR图像的方位角，在每个类别中划分出若干个子类，从而将每一个子类看做不同的目标类别，通过判别双字典学习方法，学习得到用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典，减少了方位角不相关的训练样本对测试样本目标识别的干扰，同时确保了重构时综合字典和分析字典表示系数能通过一个简单的线性投影函数来逼近，大大减少训练处理和重构识别处理的计算量，提升了识别处理效率，并且其重构识别处理过程中利用了各个不同类别中各个子类的训练样本的类标签信息，进而使得识别准确率也得以提高。
-
公开(公告)号：CN106096505A
公开(公告)日：2016-11-09
申请号：CN201610368684.X
申请日：2016-05-28
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G06K9/6267
Abstract: 本发明提供了一种基于多尺度特征协同表示的SAR目标识别方法，其利用SAR图像的多尺度特征，结合协同表示分类识别方法，采用的规则化最小均方协同表示模型，和L1范数约束下的稀疏表示识别算法相比，能够充分利用所有类别训练样本的信息，并且计算复杂度大大降低；而多尺度特征显著降低了特征维数，并且保留了原始SAR目标图像中的鉴别特征信息；实验结果表明，本发明识别方法的正确识别率可以达到96.93%，能够很好的确保针对SAR图像具有较好的目标识别准确性，并且，本发明识别方法的识别处理效率很高，整个识别过程的耗时远低于稀疏表示分类识别方法，能够在确保识别准确性的同时有效提升识别处理效率。
-
公开(公告)号：CN103237348B
公开(公告)日：2015-09-16
申请号：CN201310172535.2
申请日：2013-05-10
Applicant: 重庆大学
CPC classification number: Y02D70/00
Abstract: 本发明提供了一种基于无线传感器网络(WSN)改进粒子滤波的运动目标定位方法，属于运动目标定位的技术领域。它首先将传感器接收到的信号幅度进行量化处理后传到融合中心，在目标位置随机分布且目标与传感器间传输过程中能量衰减强度未知的情况下，融合中心再将多个传感器传输的信息进行改进的粒子滤波处理，实现目标位置与能量衰减强度的同步估计。能够克服WSN有限带宽对估计性能的影响，避免了传感器节点到融合中心传输中的能量损耗，对目标衰减强度未知的情况下可高效的实现目标定位，可用于未知环境下WSN的目标定位。
-
公开(公告)号：CN104882675A
公开(公告)日：2015-09-02
申请号：CN201510223889.4
申请日：2015-05-05
Applicant: 重庆大学
Abstract: 本发明公开了一种基于变容二极管的双陷波可调的超宽带天线，属于天线设计技术领域。该天线包括介质基板、辐射贴片、微带馈线、寄生条带结构、“U”形金属条带、金属带线及焊盘、接地板和同轴电缆；所述“U”形金属条带用于产生高频陷波；并通过变容二极管对该陷波的工作频率进行调节；寄生条带结构包括寄生条带和一个变容二极管，所述寄生条带用于产生低频陷波；并通过变容二极管对该陷波的工作频率进行调节。本发明提供的一种基于变容二极管的双陷波可调的超宽带天线，通过变容二极管对两个陷波的工作频率进行调节，可以分别涵盖WiMAX和WLAN频段，且两个陷波的调节互不影响，有效的实现了双陷波的频率捷变特性。
-
公开(公告)号：CN104202819A
公开(公告)日：2014-12-10
申请号：CN201410513435.6
申请日：2014-09-29
Applicant: 重庆大学
IPC: H04W64/00
Abstract: 本发明涉及一种手机定位方法与系统，通过建立无线设备，获取现网小区的功率、频点及位置区等信息并修改该无线设备的相关信息，诱导目标手机进行位置更新，获取目标手机的国际用户识别码及国际移动设备识别号，对目标手机进行跟踪监测。控制中心的服务器可通过三个不同无线设备的位置信息和无线设备上报的信号强度信息，运用三角定位法对目标手机进行定位，同时可用同样的方式获取监测手机的位置信息，由服务器进行运算后将目标手机的位置、速度和与侦查者的距离信息通过无线设备发送到监测手机。本方案实现了在无需目标手机持有者知晓和运营商的配合的情况下，对目标手机进行追踪和定位的功能，同时也可实现室内目标手机的精确定位。
-
Patent Agency Ranking
公开(公告)号：CN112990342B
公开(公告)日：2023-09-19
申请号：CN202110378654.8
申请日：2021-04-08
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0475 , G06N3/0895 , G06N3/094 , G06N3/096
Abstract: 本发明公开了一种半监督SAR目标识别方法，包括：S1、获取原始训练集；S2、对原始训练集进行方位角扩充，得到扩充训练集；S3、利用扩充训练集训练CWGAN‑GP；S4、利用训练后的CWGAN‑GP生成新的训练集；S5、将新的训练集与原始训练集混合得到增强训练集；S6、利用增强训练集训练Mean‑Teacher半监督分类器直至模型收敛；S7、将待识别SAR图像输入训练后的Mean‑Teacher半监督分类器，得到识别结果。不同于一般的基于生成对抗网络数据增强方法，本发明结合了SAR目标数据的特点，在半监督条件下有标签数据缺失的情况下，实现了对SAR目标图像类别标签的扩充，实现了对数据集中缺失的方位角信息的补足，从而提高了训练集的特征丰富度，以训练得到具有更好性能的分类器，最终提高识别精度。
-
公开(公告)号：CN112651464B
公开(公告)日：2022-11-25
申请号：CN202110037076.1
申请日：2021-01-12
Applicant: 重庆大学
IPC: G06V10/762 , G06V10/82 , G06V10/26 , G06N3/08
Abstract: 本发明公开了一种无监督或弱监督的受约束的模糊c均值聚类方法，包括：获取聚类质心基于聚类质心对FCM的目标函数进行约束，得到新的目标函数；基于新的目标函数进行聚类。与现有技术相比，本发明针对现有在图像分割领域的聚类方法的不稳定性和不确定性问题采用了受约束的模糊c均值聚类方法，能够使得像素的聚类朝着期望的方向进行，并且，对非平衡数据以及含较强噪声样本有极强的鲁棒性，有效提升了现有的FCM的鲁棒性。
-
公开(公告)号：CN113034471B
公开(公告)日：2022-08-02
申请号：CN202110320514.5
申请日：2021-03-25
Applicant: 重庆大学
IPC: G06T7/00 , G06T5/00 , G06V10/762 , G06V10/74 , G06V10/46
Abstract: 本发明公开了一种基于FINCH聚类的SAR图像变化检测方法，包括：S1、获取待检测的SAR图像I1和SAR图像I2；S2、基于SAR图像I1和SAR图像I2生成差异图DI；S3、基于FINCH聚类对差异图DI进行聚类，得到变化检测结果。本发明与现有技术相比，将语义关系引用到聚类算法中，采用FINCH聚类对显著性区域进行聚类，充分考虑图像像素之间的空间相关性，进一步提高了变换检测的精度，同时该方法不需要设置任何的阈值或超参数。
-
公开(公告)号：CN111047661B
公开(公告)日：2022-04-08
申请号：CN201911275346.1
申请日：2019-12-12
Applicant: 重庆大学
IPC: G06T11/00 , G06K9/62 , G06V10/764
Abstract: 本发明公开了一种基于稀疏流形联合约束的CS‑MRI图像重构方法，属于数字图像处理技术领域。它是一种同时利用一范数约束图像稀疏性和流形正则项约束图像块间相关性实现MRI图像重构的方法。首先对MRI图像的欠采样数据采用传统方法进行预重构，然后通过K近邻法寻找到目标块的相似块集合以获得结构组，并为每一结构组建立图模型，计算邻接权重系数以构建相应的流形正则项，同时将流形正则项从空域转换到系数域，建立稀疏流形联合约束的重构模型，最后采用交替方向乘子法求解该模型。本发明采用流形正则项约束可以准确的刻画出不同结构组中各图像块间不同程度的相关性，重构出的图像保留了大量细节信息，获得了较高的重构性能，因此可用于医学图像的恢复。
-
公开(公告)号：CN113160146A
公开(公告)日：2021-07-23
申请号：CN202110336097.3
申请日：2021-03-29
Applicant: 重庆大学
Abstract: 本发明公开了一种基于图神经网络的变化检测方法，包括：获取二时相SAR图像I1和I2；基于I1和I2生成三通道图像整合了对数比图像、组合差分图像及基于多尺度超像素重建的差分图像；从三通道图像中提取超像素，计算超像素件的相似度，构建图G(V,E)，V表示图的节点，E表示图的边；利用变分图自动编码器网络提取图G(V,E)的非局部空间特征表示；利用k‑means聚类算法基于非局部空间特征表示对每一个超像素进行分类。与现有技术相比，本发明通过非局部特征学习建立更加有效的特征表示，使得检测不仅限于局部空间信息，提高了检测精度以及检测方法的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.017 seconds)
