-
公开(公告)号:CN116227698A
公开(公告)日:2023-06-06
申请号:CN202310166949.8
申请日:2023-02-27
申请人: 西安电子科技大学杭州研究院 , 西安电子科技大学
摘要: 本发明公开了一种基于轨迹数据的机动车碳排放测算方法,该方法包括:根据机动车轨迹的行驶速度及驻留时间,进行机动车出行的行程划分;利用公开路网数据对轨迹数据做路网匹配,得到精确轨迹信息;应用微观碳排放测算模型对车辆行程段的碳排放进行测算;将行程轨迹碳排放归结至道路段,获得道路段层面的碳排放量。本发明充分挖掘机动车轨迹数据的出行特征,利用路网匹配获取高精准度的轨迹信息数据,进行碳排放的计算,为海量轨迹数据的信息处理,碳排放的精准测算碳排放提供了一种解决方案。本发明所需的机动车行程轨迹数据获取简单,数据规模大;测算效率高,适合大批量轨迹数据的测算。
-
公开(公告)号:CN118395214A
公开(公告)日:2024-07-26
申请号:CN202410579866.6
申请日:2024-05-11
申请人: 西安电子科技大学 , 西安电子科技大学杭州研究院
IPC分类号: G06F18/23 , G06F18/22 , G06N3/0442 , G06N3/08 , G06N3/06
摘要: 本发明公开了一种基于SOM‑SNN和Spiking‑SOM算法的事件流聚类方法,主要解决现有技术难以有效利用事件流中的历史脉冲信息和脉冲达到顺序信息造成的聚类速度慢、聚类效果差的问题。本发明构建的SOM‑SNN网络包含一层记忆层,将事件流中离散的脉冲转换为信息向量并存储,在每个时间窗口不断更新与累加。本发明提出的Spiking‑SOM算法通过空间相似度与分布相似度计算事件流脉冲信息与网络权值之间的相似性,分布相似度利用了事件流中脉冲到达的顺序信息。本发明有效利用了事件流中的历史脉冲信息和脉冲到达的顺序信息,以更快的速度实现了更好的事件流聚类效果。
-
公开(公告)号:CN118840672A
公开(公告)日:2024-10-25
申请号:CN202411032809.2
申请日:2024-07-30
申请人: 西安电子科技大学
IPC分类号: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/44 , G06V10/25 , G06V10/77 , G06N3/0464 , G06N3/08
摘要: 一种基于全局‑局部语义对齐的SAR影像预训练大模型地物提取方法、系统、设备及介质,方法:采集海量SAR影像数据并预处理,制作数据集,将数据集划分为预训练数据集和下游微调数据集,对预训练数据集进行数据增强,生成同一影像的两视图以及视图间对应的局部框;构建全局‑局部语义对齐预训练网络,使用同一影像的两视图及视图间对应的局部框,进行网络训练,得到预训练权重;加载预训练权重到下游地物提取网络中的骨干网络,使用下游微调数据集进行微调,得到地物提取模型;将地物提取模型在下游微调数据的测试集进行测试,对得到的预测结果图性能评估;系统、设备及介质用于实现该方法;本发明显著提高了SAR地物提取任务的准确性和可靠性。
-
公开(公告)号:CN118135396A
公开(公告)日:2024-06-04
申请号:CN202410209644.5
申请日:2024-02-26
申请人: 西安电子科技大学
IPC分类号: G06V20/10 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/08
摘要: 一种基于DeepLabv3+和自适应连通区域标记的SAR影像道路提取方法、系统、设备及介质,方法包括:采集SAR遥感影像,对SAR遥感影像预处理,构成SAR影像道路数据集,并划分为训练集、验证集和测试集,对训练集进行数据增强;将训练集输入DeepLabv3+语义分割网络中进行训练,将测试集输入训练好的DeepLabv3+语义分割网络中,得到测试结果图;基于自适应连通区域标记算法搭建道路后处理算法框架;利用道路后处理算法框架对测试结果图中出现的道路断裂处进行连接,得到最终道路分割结果;系统、设备及介质用于实现该方法;本发明通过应用连通区域标记模块、单像素点动态规划连接模块以及自适应道路加宽模块,对CNN预测结果图的断裂处进行连接,提高了SAR影像道路分割的准确性。
-
公开(公告)号:CN117437418A
公开(公告)日:2024-01-23
申请号:CN202311441565.9
申请日:2023-11-01
申请人: 西安电子科技大学
IPC分类号: G06V10/26 , G06V20/70 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0895
摘要: 一种基于自适应分辨率特征学习模型的弱监督SAR影像语义分割方法、系统、设备及介质,方法为:采集分辨率A和分辨率B的SAR影像组成训练集;利用训练数据训练得到训练好的自适应分辨率特征学习模型和特征解码分割网络;采集待预测的分辨率A和B的SAR影像裁剪为图像块,利用训练好的自适应分辨率特征学习模型编码得到编码特征;利用训练好的特征解码分割网络对特征解码并进行语义分割;合并图像块的语义分割结果得到最终分割结果;系统、设备及介质用于实现该方法;本发明通过自适应分辨率特征学习模型的自适应弱监督学习,使语义分割模型在仅有部分标签的情况下就能学习到跨分辨率的SAR图像地物特征,具有标签依赖低的、跨分辨率特征刻画准确的特点。
-
公开(公告)号:CN116991963A
公开(公告)日:2023-11-03
申请号:CN202310996925.5
申请日:2023-08-09
申请人: 西安电子科技大学
IPC分类号: G06F16/29 , G06F16/2455 , G06F16/215 , G06F16/25 , G06F18/211 , G06F18/22 , G06F18/20 , G06N5/04 , G06Q10/0833 , G06Q10/083 , G06Q50/26
摘要: 本发明公开了一种基于轨迹的货运车辆出行意图识别及属性提取方法,主要解决基于车辆轨迹的出行意图判别不准确的技术问题。方案包括:1)获取货运车辆相关数据并进行预处理;2)根据预处理后的车辆轨迹特征进行车辆运动特征的提取;3)根据车辆的位置和驻留时间,使用核密度方法进行车辆始发地和目的地,即OD点的提取;4)对OD点缓冲区范围内的POI点信息进行融合,确定货运车辆出行意图;5)根据货运行程的OD点,通过地图匹配等技术手段获取行程的多元属性信息,得到车辆详细属性。本发明能够充分挖掘货运车辆GNSS轨迹数据的出行特征,识别车辆出行意图,有效提升车辆出行轨迹信息的精确度。
-
公开(公告)号:CN116524517A
公开(公告)日:2023-08-01
申请号:CN202310333284.5
申请日:2023-03-31
申请人: 西安电子科技大学
IPC分类号: G06V30/19 , G06V30/14 , G06V30/146 , G06V10/82 , G06V30/18 , G06N3/0464 , G06N3/084
摘要: 本发明公开了一种基于深度学习的电能表图像目标识别方法,解决现有技术中存在的检测准确率受图像拍摄条件影响较大、深度学习方法运算量大和部署困难的问题。其方案为:利用电能表图像生成三个训练集,选择yolox‑nano网络作为训练网络,分别训练得到感兴趣区域检测网络、表盘信息识别网络和条形码信息识别网络;将待检测图像输入感兴趣区域检测网络,得到表盘和条形码图像,将其分别输入对应的信息识别网络;根据相应公式计算识别结果。本发明能够准确地识别电能表的示数及其条码信息,以便及时发现异常并采取相应措施,运算量较小便于部署在移动端,具有更强的实用性。
-
公开(公告)号:CN116403121A
公开(公告)日:2023-07-07
申请号:CN202310375149.7
申请日:2023-04-10
申请人: 西安电子科技大学
IPC分类号: G06V20/13 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/26 , G06N3/08 , G06N3/048 , G06N3/0464
摘要: 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备,利用多光谱图像和SAR图像这两类多源遥感数据,对原始的UNet算法引入水体指数,设计多路径多源数据融合编码器,利用Gated Channel Transform(GCT)注意力机制等,以应对遥感图像中复杂的地物环境对水域分割的不利影响,实现在较少的计算资源的前提下,提高水域分割的精度;其系统及设备用于实现水体指数与极化信息多路径融合的遥感图像水域分割;本发明具有计算成本低、检测耗时短、分割精度高的优点,并能够随时进行迭代更新,提升模型性能。
-
公开(公告)号:CN114170533A
公开(公告)日:2022-03-11
申请号:CN202111496192.6
申请日:2021-12-08
申请人: 西安电子科技大学
IPC分类号: G06V20/17 , G06V10/774 , G06K9/62 , G06N3/04
摘要: 本发明公开了一种基于注意力机制和多模态表征学习的滑坡识别方法及系统,将包含滑坡的正样本和包含非滑坡的负样本划分为训练集、验证集和测试集;对训练集进行数据增强,再将验证集、测试集和数据增强后的训练集的图像大小进行调整,将图像各通道像素值归一化;构建基于注意力机制和多模态表征学习的多路卷积神经网络;使用交叉熵损失函数对基于注意力机制和多模态表征学习的多路卷积神经网络进行训练;使用归一化后的训练集对训练后的注意力机制和多模态表征学习的多路卷积神经网络进行训练,并使用归一化后的验证集进行验证,保存验证集上表现最好的网络模型;使用归一化后的测试集在保存的网络模型上测试得到滑坡识别结果,减小计算资源消耗。
-
公开(公告)号:CN112862674A
公开(公告)日:2021-05-28
申请号:CN202011428162.7
申请日:2020-12-07
申请人: 西安电子科技大学
摘要: 本发明提供一种基于AutoStitch算法的多图像自动拼接方法和系统,拼接方法包括如下步骤:获取待拼接图像;对尺寸大于设定阈值的待拼接图像进行缩放处理;对各待拼接图像的特征点进行提取;对图像的特征点进行匹配;将置信度最高的设定数量个匹配点作为最终匹配点,使用奇异值分解获取单应矩阵;根据单应矩阵计算各待拼接图像的内参矩阵和外参矩阵;将各待拼接图像投影到拼接结果图上;获取各待拼接图像的接缝线,生成接缝线掩膜图像;对经过缩放处理的待拼接图像进行恢复;使用多层融合算法对各待拼接图像进行融合。本发明提供的技术方案能够解决现有技术中图像拼接方法实时性较差的问题。
-
-
-
-
-
-
-
-
-