-
公开(公告)号：CN119762494A
公开(公告)日：2025-04-04
申请号：CN202411916674.6
申请日：2024-12-24
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/045 , G06V10/764 , G06V20/10 , G06V10/82 , G06N3/048 , G06V10/26 , G06N3/084
Abstract: 一种基于全卷积神经网络的端到端极化SAR图像超像素分割方法、系统、设备及介质，方法为：包含极化特征与位置信息的输入；构建基于全卷积神经网络的极化SAR图像的超像素分割模型，输出超像素分割结果；训练超像素分割模型；将处理后且关联位置信息的极化特征输入训练好的超像素分割模型，得到超像素分割结果，并将超像素分割结果处理后作为极化SAR图像分类模型的输入，训练极化SAR图像分类模型；利用训练好的极化SAR图像分类模型对极化SAR图像进行分类，得到结合超像素分割的极化SAR图像分类结果；系统、设备及介质用于实现该方法；本发明具有无需传统的聚类方法快速生成高质量的超像素分割结果、易于与后续极化SAR图像分类深度学习模型进行结合的优点。
-
公开(公告)号：CN115100075B
公开(公告)日：2024-08-23
申请号：CN202210873617.9
申请日：2022-07-24
Applicant: 西安电子科技大学
IPC: G06T5/73 , G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T11/00 , G06V10/58 , G06V20/10 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于光谱约束和残差注意力网络的高光谱全色锐化方法，主要解决现有技术中无法完全利用全色图像空间信息，锐化结果失真严重的问题。本发明的具体步骤如下：(1)生成训练集；(2)对低分辨率高光谱图像块进行空间对齐；(3)对单通道全色图像块进行光谱对齐；(4)构建残差注意力网络；(5)使用含有光谱约束的损失函数训练残差注意力网络；(6)使用训练好的残差注意力网络对高光谱图像进行全色锐化。本发明使了三维注意力模块和卷积模块构建残差注意力网络，并使用光谱约束的损失函数进行优化训练，具有锐化结果失真低，光谱和空间信息保留性能平衡的优点。
-
公开(公告)号：CN118351475A
公开(公告)日：2024-07-16
申请号：CN202410541425.7
申请日：2024-04-30
Applicant: 西安电子科技大学
IPC: G06V20/40 , G06V40/20 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 一种基于代理注意力及多尺度Transformer的视频时序动作定位方法、系统、设备及介质，方法：利用预训练的特征提取器从输入视频中提取特征；构建基于代理自注意力和多尺度Transformer的时序动作定位模型，堆叠七个Transformer模块，用于对输入的视频特征进行编码，提取关键信息；将多尺度Transformer模块和代理Transformer模块输出的不同尺度特征送入到回归头和分类头中，得到定位结果，即未裁剪视频中动作实例的开始时刻、结束时刻以及动作的类别标签；系统、设备及介质用于实现该方法；本发明通过结合卷积和Transformer架构的混合模块及细粒度代理自注意力模块，降低视频特征间的相似度，减少模型的参数量和计算复杂度，提高模型的表征能力，进而提高视频动作定位精度。
-
公开(公告)号：CN117708435A
公开(公告)日：2024-03-15
申请号：CN202410105616.9
申请日：2024-01-25
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06F16/332 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明提出了一种基于图注意力和多兴趣提取的会话推荐方法，实现步骤为：获取训练样本集和测试样本集；构建基于图注意力和多兴趣提取的会话推荐模型；定义会话推荐模型的总损失函数；对会话推荐模型进行迭代训练；获取会话推荐结果。本发明中的图注意力模块能够抑制交互特征中的噪声，多兴趣提取模块通过双线性映射网络对图注意力模块输出的包含交互特征的交互嵌入向量进行双线性映射，并对映射后的兴趣嵌入向量进行门控加权融合，能够获取用户多个不同的兴趣，有效提高了推荐的准确性。
-
公开(公告)号：CN114065048B
公开(公告)日：2024-02-09
申请号：CN202111413243.4
申请日：2021-11-25
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06Q30/0601 , G06N3/0464
-
Patent Agency Ranking
公开(公告)号：CN117253074A
公开(公告)日：2023-12-19
申请号：CN202311017594.2
申请日：2023-08-14
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于自训练和域对抗的高光谱图像域自适应分类方法，主要解决现有技术伪标签噪声大、分类精度低的问题。实现方案是：获取源域和目标域数据集；构造包括特征提取器、三个分类器和梯度反转层这三部分组成的去偏自训练域对抗自适应模型，定义由交叉熵损失、自训练损失、最差情况对抗损失和域混淆损失组成的损失函数；计算去偏自训练域对抗自适应模型的损失值，将其带入链式法则计算该模型的各个参数梯度，对模型参数进行更新，直到达到指定轮数完成模型训练；将目标域数据集输入到训练好的模型中得到分类结果。本发明降低了伪标签的噪声，提升了高光谱域自适应分类精度，可用于国土规划、生态保护、市政建设中的地物目标识别。
-
公开(公告)号：CN112434618B
公开(公告)日：2023-06-23
申请号：CN202011357082.7
申请日：2020-11-26
Applicant: 西安电子科技大学
IPC: G06V20/40 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种基于稀疏前景先验的视频目标检测方法、存储介质及设备，采用基于正交子空间学习的前景提取方法计算得到视频中每一帧对应的稀疏前景先验图；利用ResNet特征提取网络和特征金字塔结构得到视频帧及其稀疏前景图的语义增强特征图；将稀疏前景先验图的语义增强特征图与当前帧的语义增强特征图级联后，经卷积融合操作得到当前帧的前景先验融合特征；在前景先验融合特征图的每个像素上映射生成候选锚框；将前景先验融合特征和所有锚框输入到训练好的分类和回归子网络，得到目标物体的类别和位置坐标。本发明充分挖掘了视频数据的稀疏前景先验，提高了目标检测准确率。
-
公开(公告)号：CN115830454A
公开(公告)日：2023-03-21
申请号：CN202211626264.9
申请日：2022-12-16
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明提出了一种基于多智能体特征选择模型的高光谱图像波段选择方法，主要解决高光谱波段选择动作空间较大、探索方向随机和运行时间较长的问题。实现步骤为：生成训练集；构建并训练评估分类网络；构建并训练多智能体特征选择模型过程中引入教师进行指导；利用训练好的多智能体波段选择模型进行波段选择。本发明采用多智能体进行波段选择，能够使动作空间降低到2维，引入教师对智能体的选择进行指导，引导智能体的探索朝向更优的方向，设计预训练的评估分类网络来评估不同波段集合，减少了算法整体的运行时间。
-
公开(公告)号：CN112229409B
公开(公告)日：2022-08-12
申请号：CN202011101297.2
申请日：2020-10-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于贝叶斯和进化算法的无人机协同航迹规划方法，主要解决现有技术中无人机协同航迹规划存在优化难度大及优化效率低的问题。其方案为：通过计算两条航迹节点之间的距离找到一组相同或相近的节点，然后以这些节点为界将两条航迹划分为一组可交换的航迹单元对；再通过计算所有航迹单元对交换之后航迹长度的变化强度，从而确定该航迹单元对的交换强度；最后，根据航迹单元对的交换强度使用贝叶斯推理来确定航迹单元的交换概率，得到无人机的协同总代价。本发明在多种威胁代价的无人机协同航迹规划任务中，可有效避免航迹断点的产生、提高了优化的收敛性，能够更加高效的实现无人机航迹寻优，获取更高的优化性能。
-
公开(公告)号：CN113469078A
公开(公告)日：2021-10-01
申请号：CN202110770213.2
申请日：2021-07-07
Applicant: 西安电子科技大学
Abstract: 一种基于自动设计长短时记忆网络的高光谱图像分类方法，其步骤为：构造搜索空间；利用循环神经网络搭建一个控制器；生成训练集和验证集；由搜索空间生成循环单元；训练由循环单元搭建的长短时记忆网络；训练控制器；迭代更新控制器的参数，判断策略损失函数是否收敛，若是，用控制器从搜索空间中生成循环单元B，训练由循环单元B搭建的长短时记忆网络NB，对待分类的高光谱图像进行分类，否则，继续由搜索空间生成循环单元。本发明自动设计的长短时记忆网络具有充分利用高光谱图像的光谱信息使得分类效果更精确的优点，可用于高光谱图像的分类。
-
-
-
-
-
-
-
-
-
Search Results
160
records
(took 0.09 seconds)
