-
公开(公告)号:CN118071586A
公开(公告)日:2024-05-24
申请号:CN202410150959.7
申请日:2024-02-02
申请人: 西安电子科技大学
IPC分类号: G06T3/4015 , G06T3/4084 , G06V10/42 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455
摘要: 本发明涉及一种光谱图像去马赛克方法,具体涉及一种基于全局‑局部特征联合学习的光谱图像去马赛克方法。解决了现有基于深度神经网络的光谱图像去马赛克方法使用插值、波段拆分等方式来获得初始多光谱图像,导致最终多光谱图像重建精度差的技术难题。本发明方法,包括以下步骤:1)选取光谱马赛克图像样本;2)采用基于傅里叶变换的光谱图像去马赛克初始化方法得到初始化光谱图像;3)构建光谱图像重建网络,将初始化光谱图像输入至光谱图像重建网络中,获得高质量光谱图像;利用损失函数训练光谱图像重建网络;4)将待处理的光谱马赛克图像先得到初始化光谱图像,再输入至训练好的光谱图像重建网络中,获得去马赛克的光谱图像。
-
公开(公告)号:CN116863229A
公开(公告)日:2023-10-10
申请号:CN202310845252.3
申请日:2023-07-11
申请人: 电子科技大学
IPC分类号: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/045 , G06V10/25 , G06V10/40 , G06N3/08
摘要: 本发明公开了一种基于特征空间类别正交化的小样本目标检测方法,包括:对以Faster‑RCNN模型为基础构造第一检测器,在基类上对第一检测器进行预训练;在第一检测器的末尾连接新增的第二类别分类器后构造第二检测器,在新类上对第二检测器进行微调训练,其中第二类别分类器的初始权重向量由特征类别正交化模块决定;利用训练完成的第二检测器对新输入的输入图像进行目标检测。本发明采用类别正交化方法,在基类上预训练的第一检测器的最后一个分类器层加上一层新的分类器层,实现了第二检测器从基类向新类迁移时的过渡,巧妙地解决了现有技术基类别数量不一致和内容不对齐问题。
-
公开(公告)号:CN114882068B
公开(公告)日:2023-09-01
申请号:CN202210434733.0
申请日:2022-04-24
申请人: 电子科技大学
IPC分类号: G06T7/215 , G06V10/764 , G06V10/82 , G06V10/74 , G06N3/08
摘要: 本申请涉及目标跟踪技术领域,公开了一种多目标跟踪方法、装置、计算机设备和存储介质,所述方法包括:获取当前帧的第一跟踪图像和第一轨迹集合,第一轨迹集合包括未丢失轨迹集合和丢失轨迹集合;基于目标检测算法获取第一跟踪图像中的第一目标集合;通过第一关联算法将第一目标集合与未丢失轨迹集合进行关联,并得到未完成关联的第二目标集合和第二轨迹集合;通过第二关联算法将第二目标集合与丢失轨迹集合进行关联,并得到未完成关联的第三目标集合和第三轨迹集合;通过第三关联算法将第三目标集合与第二轨迹集合、第三轨迹集合进行关联。本申请通过层次化的关联算法将跟踪目标与目标跟踪轨迹进行关联,有效地提高了多目标跟踪的性能。
-
公开(公告)号:CN116152645A
公开(公告)日:2023-05-23
申请号:CN202310157638.5
申请日:2023-02-23
申请人: 电子科技大学
IPC分类号: G06V20/00 , G06V10/764 , G06V10/774 , G06V10/80
摘要: 本发明公开了一种融合多种表征平衡策略的室内场景视觉识别方法及系统,包括:使用预热好的模型计算长尾训练集中每个类别的类别中心;通过不同的重采样策略构建多个具有不同特征分布的训练子集;结合自定义的损失函数,使用所述训练子集对预热后的模型进行训练直至损失函数收敛,让模型倾向于学习到在各个训练子集间平衡的特征;处理训练集中类别内部的特征不平衡问题。同时在分类器上施加正则项来调整头尾部类的权重差异,当所述损失函数收敛到一定程度后得到训练好的模型,减少训练集中因为类别样本的不均衡造成的分类器上各类别权重的不平衡。本发明同时解决类别样本不均衡和类别内样本的非类别属性的不平衡给模型训练带来的问题。
-
公开(公告)号:CN114882273B
公开(公告)日:2023-04-18
申请号:CN202210434725.6
申请日:2022-04-24
申请人: 电子科技大学
IPC分类号: G06V10/764
摘要: 本申请涉及视觉识别技术领域,公开了一种应用于狭小空间的视觉识别方法、装置、设备和存储介质,所述方法包括:将待识别图像输入完成联合训练的特征提取器和第一分类器,获得第一分类器输出的待识别图像在各类别下的分类概率;将分类概率和特征提取器在联合训练阶段获得的各类别下的平均特征输入因果干预策略模块,获得平衡特征;将平衡特征输入第二分类器,获得待识别图像的识别结果。本申请解决了在对狭小空间内呈长尾分布的待识别图像数据进行视觉识别时,会由于待识别图像数据类别不均衡的特征影响视觉识别模型识别结果的准确性的问题。
-
公开(公告)号:CN105426533B
公开(公告)日:2019-07-19
申请号:CN201510955359.9
申请日:2015-12-17
申请人: 电子科技大学
IPC分类号: G06F16/583 , G06F16/53 , G06K9/46 , G06K9/62
摘要: 该发明公开了一种融合空间约束信息的图像检索方法,属于模式识别与信息处理技术领域,涉及计算机视觉方面的图片处理方法。本发明提出了基于超像素的图像检索方案,在传统词袋模型的基础上,补充图像的空间信息,用基于特征空间的图像检索模型,同时融入基于图像空间的图像分割技术,通过补充空间约束信息,提高图像检索的准确率;提出的检索方案在提高检索精确度的同时,保证了检索效率和存储开销。
-
-
公开(公告)号:CN104361354B
公开(公告)日:2018-01-12
申请号:CN201410709032.9
申请日:2014-11-28
申请人: 电子科技大学
IPC分类号: G06K9/62
摘要: 本发明提出一种基于稀疏编码K最近邻直方图的海量图像分类方法,属于模式识别与信息处理技术领域。本发明方法提出的图像特征表达是在不同尺度上统计直方图,在很大程度上捕捉到了图像各个域的特征信息,使得获得的图像特征具有平移不变性,能够有效地辨别各种变形后的图片。本发明用尽量简洁的图像表达来提高海量图像分类任务的准确率,本发明提供的方法在图像处理过程中图像表达极其简洁,计算复杂度低,同时对图像的变形具有很强的鲁棒性。
-
公开(公告)号:CN103955707B
公开(公告)日:2017-08-15
申请号:CN201410182971.2
申请日:2014-05-04
申请人: 电子科技大学
摘要: 本发明提供了一种基于深度层次特征学习的海量图像分类系统,包括如下步骤:步骤a、输入无标签和有标签图像数据,对无标签图像数据进行预处理,除干扰信息、保留关键信息;步骤b、将预处理之后的图像进行K‑means特征学习,得到本层的字典;步骤c、如本层为第N层,对本层的字典与带标签图像数据集进行特征映射,得到深层次特征后进行步骤e,否则对本层的字典与的无标签图像数据进行特征映射,得到深层次的特征;步骤d、根据深层次特征的相关性,将多个高相关性特征聚合为一个感受野,如本层为N‑1层则进行步骤e,否则作为下一层输入信息送给步骤b;步骤e、在第N层中,将学到的特征输入SVM分类器,进行分类。
-
公开(公告)号:CN104933445A
公开(公告)日:2015-09-23
申请号:CN201510363396.0
申请日:2015-06-26
申请人: 电子科技大学
IPC分类号: G06K9/62
CPC分类号: G06K9/6269
摘要: 本发明提供了一种基于分布式K-means的海量图像分类方法,属于机器学习与图像处理技术领域。本发明可用于大规模图像分类,该方法在大数据处理平台Hadoop上采用分布式K-means算法提取图像特征,最终实现对大规模图像进行分类的目的。本发明通过对大规模图像数据进行字典的学习,构建特征映射函数以及分类算法的设计,提出了在大数据处理平台Hadoop基础上,基于分布式K-means的特征提取算法。该方法避免了人为设计大规模图像特征的繁琐工作,在保证分类准确度的前提下,减少了训练时间,本发明的成果在大规模数据库管理、军事、医疗等方面有着重要的意义。
-
-
-
-
-
-
-
-
-