-
公开(公告)号：CN111783565B
公开(公告)日：2024-03-22
申请号：CN202010544823.6
申请日：2020-06-15
申请人： 西北工业大学
IPC分类号： G06F18/24 , G06F18/213
摘要： 本发明公开了一种基于正反证据信度结构的多传感器目标识别方法，包括以下步骤：步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构；步骤二、生成反证据信度结构；步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标；步骤四、依据步骤三的计算结果判断识别目标所属的类型。本发明基于多传感器识别，从正反两方面对证据信度结构中的信息展开分析，将正反证据信度结构与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标，进而对目标类型进行识别，能够有效处理不确定信息，提高目标识别的准确率。
-
公开(公告)号：CN113657181B
公开(公告)日：2024-01-23
申请号：CN202110841106.4
申请日：2021-07-23
申请人： 西北工业大学
IPC分类号： G06V20/10 , G06V10/25 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/045
摘要： 度的预测精度。本发明公开了一种基于平滑标签编码与特征增强的SAR图像旋转目标检测方法，包括以下步骤：输入舰船SAR图像数据集，并将数据集转换成PASCALVOC格式；将任意旋转方向的四边形标注转化为矩形标注和旋转角度，并将旋转角度转化为二进制平滑标签编码；构建卷积神经网络ResNet‑50，利用制作好的舰船SAR图像数据集对网络进行训练；利用全局平均池化模块对ResNet‑50输出的特征图进行融合，获得融合的特征图；将融合的特征图进行位置注意力增强获得增强特征图；利用原特征图跳连接的形式对注意力特征图进行位置信息增强；利用全卷积网络对增强特征图进行无锚框回归预测，获得最终的检测结果。本发明提出了全局特征融合结合位置注意力机制的方法，在无锚框检测框架上添加角度分类分支，同时也提出了一种新的中心度计算(56)对比文件Xue Yang et al.On the arbitrary-oriented object detection: Classificationbased approaches revisited.arXiv.2021,全文.杨龙等.一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法.光学学报.2020,第40卷(第2期),全文.
-
公开(公告)号：CN112232374B
公开(公告)日：2023-04-07
申请号：CN202010992837.4
申请日：2020-09-21
申请人： 西北工业大学
IPC分类号： G06F18/2411 , G06N3/0464 , G06N3/08 , G06F18/232
摘要： 本发明公开了一种基于深度特征聚类和语义度量的不相关标签过滤方法，包括以下步骤：步骤一、传感器获取图像集；步骤二、建立与图像集对应的标签集；步骤三、提取图像集图像的深度特征；步骤四、对深度特征聚类获取聚类簇；步骤五、构建聚类簇的相关语义标签集合；步骤六、构建聚类簇的待度量标签集合；步骤七、生成语义向量；步骤八、计算语义向量的相关度；步骤九、根据相关度进行不相关标签过滤。本发明对庞大的样本图像数据聚类获取聚类簇，用于对样本图像数据的预分类，通过对聚类成的样本图像数据进行分析，拥有更高的有效性与正确性，同时对标签语义进行相关度度量，从而实现了不相关标签的自动过滤，可以提升深度网络的泛化性与鲁棒性。
-
公开(公告)号：CN112784929B
公开(公告)日：2023-03-28
申请号：CN202110273070.4
申请日：2021-03-14
申请人： 西北工业大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82
摘要： 本发明公开了一种基于双元组扩充的小样本图像分类方法及装置。其中，该方法包括：使用第一网络模型对待分类图像进行特征提取，得到提取特征结果，其中，第一网络模型来自孪生网络的任何一个，孪生网络是利用样本集中的训练集进行训练后得到的两个级联的卷积神经网络，样本集通过对小样本图像集使用双元组扩充得到，样本集中的每个元素为一个双元组；确定提取特征与K均值聚类模型的每一类聚类中心的距离，其中，聚类中心通过对样本集的特征进行处理得到；确定距离最小的聚类中心所属的类别为待分类图像的类别。本发明解决了现有技术中由于样本数量过少，导致训练的模型过拟合、不够精确的技术问题。
-
公开(公告)号：CN115392433A
公开(公告)日：2022-11-25
申请号：CN202210875566.3
申请日：2022-07-25
申请人： 西北工业大学
摘要： 本发明公开了一种基于生成对抗掩膜的深度网络层次分析与压缩方法，包括以下步骤：步骤一、初始化深度网络层次分析与压缩模型；步骤二、训练深度网络层次分析与压缩模型；步骤三、利用测试集对训练好的深度网络层次分析与压缩模型进行测试，保存学生网络参数；步骤四、对待分析的深度神经网络进行层次分析，并压缩网络结构。本发明结构简单、设计合理，将掩膜层加入到待分析的深度神经网络构成学生网络，原深度神经网络作为教师网络，经生成对抗训练后，使得学生网络具备教师网络一致的功能，并利用各个掩膜层参数获得深度神经网络各层的贡献度，从而实现深度网络的层次分析与压缩。
-
公开(公告)号：CN115187784A
公开(公告)日：2022-10-14
申请号：CN202210577326.5
申请日：2022-05-25
申请人： 西北工业大学
IPC分类号： G06V10/30 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
摘要： 本发明公开了一种基于孪生网络与集成增强决策的启发式对抗样本防御方法，包括以下步骤：使用干净样本训练网络得到原始网络；基于原始网络与干净样本使用多组参数生成不同攻击强度的对抗样本；基于对抗样本与原始网络进行对抗训练，获得增强网络；合并原始网络与增强网络，构造孪生网络；对输入样本使用生成对抗网络进行输入去噪，并通过随机加噪，在一定程度上破坏可能存在的对抗性噪声；将数据增强后的样本集送入孪生网络分析获得一批分类数据；对此批分类数据进行投票式集成增强决策，获得最终分类结果。本设计无需对输入的样本进行检测，无论是干净样本还是对抗样本，本系统都能对其做出正确的分类结果，从而达到防御对抗样本的目的。
-
公开(公告)号：CN113887645A
公开(公告)日：2022-01-04
申请号：CN202111190676.8
申请日：2021-10-13
申请人： 西北工业大学
摘要： 本发明公开了一种基于联合注意力孪生网络的遥感图像融合分类方法，包括以下步骤：将高光谱和多光谱图像作为数据集进行处理；构建孪生网络模块，提取高光谱和多光谱图像的共性特征；将孪生网络的输出特征作为联合注意力模块的输入，实现特征降维；添加自注意力模块进行加权操作；将多层卷积网络输出的特征图与注意力模块得到的增强特征进行连接，并添加互注意力模块；将两部分多层卷积网络提取出的高光谱和多光谱图像特征进行融合，通过全连接层进行分类，获取遥感图像的分类结果。本发明的方法，可以有效提取高光谱和多光谱图像的共性特征，而且通过联合注意力模块使得图像各自的光谱和空间信息得到增强，进而提高融合分类效果。
-
公开(公告)号：CN113283519A
公开(公告)日：2021-08-20
申请号：CN202110617865.2
申请日：2021-06-01
申请人： 西北工业大学
摘要： 本发明公开了一种基于离散系数的深度神经网络近似模型分析方法，包括以下步骤：构建待分析的深度神经网络；按类别输入数据集样本，获取各类别深度神经网络的特征图；利用得到的各类别特征图度量深度神经网络中各节点激活值变化情况，进而计算各节点贡献度；根据深度神经网络各层节点贡献度，对卷积核进行删除，获得深度神经网络的近似模型。本发明提出的基于离散系数的深度神经网络近似模型分析方法，可以对深度神经网络节点贡献度进行度量，且得到与原网络性能相近的近似模型。
-
公开(公告)号：CN112232395A
公开(公告)日：2021-01-15
申请号：CN202011068394.6
申请日：2020-10-08
申请人： 西北工业大学
摘要： 本发明公开了一种基于联合训练生成对抗网络的半监督图像分类方法，包括以下步骤：步骤一、设置生成对抗网络；步骤二、划分标签数据集L和无标签数据集U；步骤三、训练生成器G；步骤四、训练判别器D1和判别器D2，迭代更新扩充了标签子样本集；步骤五、得到训练好的生成对抗网络；步骤六、利用训练好的生成对抗网络对测试集进行分类。本发明采用判别器D1和判别器D2联合训练，减小单个判别器存在的分布误差对生成对抗网络的影响；基于联合训练的生成对抗网络能够减小生成对抗网络对标签数据的依赖，利用无标签数据在训练时扩充标签数据集，加快网络收敛，提高生成对抗网络的分类准确率，从而进一步提高在小样本条件下网络图像分类的精度。
-
公开(公告)号：CN111783565A
公开(公告)日：2020-10-16
申请号：CN202010544823.6
申请日：2020-06-15
申请人： 西北工业大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种基于正反证据信度结构的多传感器目标识别方法，包括以下步骤：步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构；步骤二、生成反证据信度结构；步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标；步骤四、依据步骤三的计算结果判断识别目标所属的类型。本发明基于多传感器识别，从正反两方面对证据信度结构中的信息展开分析，将正反证据信度结构与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标，进而对目标类型进行识别，能够有效处理不确定信息，提高目标识别的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
83 条记录 (耗时 0.032 秒)
