-
公开(公告)号：CN118963709A
公开(公告)日：2024-11-15
申请号：CN202411426912.5
申请日：2024-10-14
申请人： 西北工业大学 , 西北工业大学太仓长三角研究院
摘要： 本发明公开了一种基于多层网络级联失效模型的智慧物流平台构建方法，包括：针对多个子模块建设项目组合中的每个子模块建设项目组合，构建“功能‑项目‑第三方”多层网络；对每个子模块建设项目组合对应的“功能‑项目‑第三方”多层网络进行失效分析；在失效分析时，首先确定项目层网络中各节点、第三方层网络中各节点的初始负载与容量，设定当节点失效时的负载分配策略；基于初始负载、容量以及负载分配策略，对项目层网络中的节点或第三方网络层中的节点进行失效分析，计算项目层网络智慧物流平台功能实现的能力值以及第三方网络的智慧物流平台功能实现的能力值，最终通过子模块建设项目组合的韧性测度指标来选择最优子模块建设项目组合。
-
公开(公告)号：CN110045365B
公开(公告)日：2023-03-14
申请号：CN201910231560.0
申请日：2019-03-26
申请人： 西北工业大学
摘要： 本发明公开了一种基于雷达信息的图像目标定位方法，包括以下步骤：步骤一、获取目标在大地坐标系下的位置信息；步骤二、计算目标在图像传感器坐标系中的坐标值；步骤三、计算目标在图像坐标系中的坐标值；步骤四、计算目标在像素坐标系中的坐标值。本发明结构简单、设计合理，通过雷达传感器获取目标的位置信息，在处理图像信息时能有效地利用雷达信息和图像传感器的检测信息，将雷达获取的目标于大地坐标系中的位置信息转换至图像像素坐标系中，从而确定目标在图像中的像素点位置，可以提高对图像目标的定位精度，从而对图像目标识别跟踪提供帮助。
-
公开(公告)号：CN110045365A
公开(公告)日：2019-07-23
申请号：CN201910231560.0
申请日：2019-03-26
申请人： 西北工业大学
摘要： 本发明公开了一种基于雷达信息的图像目标定位方法，包括以下步骤：步骤一、获取目标在大地坐标系下的位置信息；步骤二、计算目标在图像传感器坐标系中的坐标值；步骤三、计算目标在图像坐标系中的坐标值；步骤四、计算目标在像素坐标系中的坐标值。本发明结构简单、设计合理，通过雷达传感器获取目标的位置信息，在处理图像信息时能有效地利用雷达信息和图像传感器的检测信息，将雷达获取的目标于大地坐标系中的位置信息转换至图像像素坐标系中，从而确定目标在图像中的像素点位置，可以提高对图像目标的定位精度，从而对图像目标识别跟踪提供帮助。
-
公开(公告)号：CN111563414B
公开(公告)日：2022-03-01
申请号：CN202010267019.8
申请日：2020-04-08
申请人： 西北工业大学
IPC分类号： G06V20/00 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于非局部特征增强的SAR图像舰船目标检测方法，包括以下步骤：输入舰船SAR图像数据集，并将数据集转换成PASCAL VOC格式；构建卷积神经网络ResNet，利用制作好的舰船SAR图像数据集对ResNet网络进行训练；利用特征金字塔网络对ResNet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分组缩放平均，获得平均特征图；利用非局部特征增强模型对平均特征图进行特征增强；对增强特征图进行尺度变换；利用全卷积网络对增强特征图进行回归预测，获得最终的检测结果。本发明提出了非局部特征增强方法，不仅有效解决了SAR图像舰船小目标的检测问题，而且能够减小舰船目标SAR图像噪声对检测的影响。
-
公开(公告)号：CN111639679A
公开(公告)日：2020-09-08
申请号：CN202010384767.4
申请日：2020-05-09
申请人： 西北工业大学
摘要： 本发明公开了一种基于多尺度度量学习的小样本学习方法，包括以下步骤：步骤一、建立数据集；步骤二、生成多尺度特征映射层；步骤三、迁移学习：转化模块对样本多尺度特征进行二次映射；步骤四、生成多尺度特征映射对；步骤五、计算多尺度特征映射对在多尺度关系生成网络中的关系得分；步骤六、采用多尺度度量学习模型对样本相似度进行度量。本发明结构简单、设计合理，通过迁移学习获得多尺度特征映射对，使得训练出来的模型具有迁移性，在均方差损失函数的基础上添加了样本间距给整体模型所带来的损失项构成新的损失函数，实现度量学习，以适应小样本学习的训练。
-
公开(公告)号：CN111639679B
公开(公告)日：2022-03-04
申请号：CN202010384767.4
申请日：2020-05-09
申请人： 西北工业大学
IPC分类号： G06V10/774 , G06V10/74 , G06V10/764 , G06V10/77 , G06V10/82 , G06K9/62 , G06N20/00 , G06N3/04
摘要： 本发明公开了一种基于多尺度度量学习的小样本学习方法，包括以下步骤：步骤一、建立数据集；步骤二、生成多尺度特征映射层；步骤三、迁移学习：转化模块对样本多尺度特征进行二次映射；步骤四、生成多尺度特征映射对；步骤五、计算多尺度特征映射对在多尺度关系生成网络中的关系得分；步骤六、采用多尺度度量学习模型对样本相似度进行度量。本发明结构简单、设计合理，通过迁移学习获得多尺度特征映射对，使得训练出来的模型具有迁移性，在均方差损失函数的基础上添加了样本间距给整体模型所带来的损失项构成新的损失函数，实现度量学习，以适应小样本学习的训练。
-
公开(公告)号：CN113935473A
公开(公告)日：2022-01-14
申请号：CN202111475292.0
申请日：2021-12-06
申请人： 西北工业大学
摘要： 本发明公开了一种深度学习神经网络的优化方法及应用方法。本发明结构简单、设计合理，其通过量化深度神经网络模型每个卷积层的信息增量来研究待分析深度神经网络模型中各层网络对整体网络模型的影响程度，从而对深度神经网络模型进行优化，减小了待分析深度神经网络模型的大小，从而降低了所占设备空间，加快了运行计算速度，降低了模型部署所需要的设备要求，同时可以维持模型原本的分类性能强度，使用效果好。
-
-
公开(公告)号：CN111563414A
公开(公告)日：2020-08-21
申请号：CN202010267019.8
申请日：2020-04-08
申请人： 西北工业大学
摘要： 本发明公开了一种基于非局部特征增强的SAR图像舰船目标检测方法，包括以下步骤：输入舰船SAR图像数据集，并将数据集转换成PASCAL VOC格式；构建卷积神经网络ResNet，利用制作好的舰船SAR图像数据集对ResNet网络进行训练；利用特征金字塔网络对ResNet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分组缩放平均，获得平均特征图；利用非局部特征增强模型对平均特征图进行特征增强；对增强特征图进行尺度变换；利用全卷积网络对增强特征图进行回归预测，获得最终的检测结果。本发明提出了非局部特征增强方法，不仅有效解决了SAR图像舰船小目标的检测问题，而且能够减小舰船目标SAR图像噪声对检测的影响。
-
公开(公告)号：CN112598115A
公开(公告)日：2021-04-02
申请号：CN202011515028.0
申请日：2020-12-21
申请人： 西北工业大学
摘要： 本发明公开了一种基于非局部邻关系学习的深度神经网络层次分析方法，包括以下步骤：构建待分析的深度神经网络；输入数据集样本,获取深度网络相邻两层的特征图样本对；利用空间金字塔池化网络对相邻层特征图样本对进行变换组合；将变换后的相邻层特征图样本对输入孪生变分自编码器，训练非局部邻关系学习模型；利用训练好的非局部邻关系学习模型获得相邻层特征图样本对的隐空间向量对；利用同一样本的所有隐空间向量对计算深度网络在该样本识别时的各层级贡献度，进而计算所有样本的平均层级贡献度。本发明提出的非局部邻关系学习方法，可以在不影响深度网络本身决策的前提下进行层次化分析，并且可以应用于不同的深度神经网络模型。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.032 秒)
