-
公开(公告)号：CN108460391A
公开(公告)日：2018-08-28
申请号：CN201810193116.X
申请日：2018-03-09
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于生成对抗网络的高光谱图像无监督特征提取方法，主要解决现有特征提取效果不佳，且需大量标签信息的问题。实现步骤为：数据预处理；生成对抗网络参数设置；计算生成对抗网络中生成器网络G输出；构建生成对抗网络目标函数；生成对抗网络训练；提取多层特征并进行池化和组合操作得到最终特征。本发明首次使用了生成对抗网络提取特征，卷积计算利用了高光谱图像的空间信息和光谱信息，使用生成对抗网络的多层特征，有效提高了高光谱图像的分类精度，本发明在训练及特征提取中都未使用任何标签信息，属于完全无监督特征提取。本发明适用于各类高光谱图像的无监督特征提取。
-
公开(公告)号：CN108460391B
公开(公告)日：2022-03-22
申请号：CN201810193116.X
申请日：2018-03-09
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于生成对抗网络的高光谱图像无监督特征提取方法，主要解决现有特征提取效果不佳，且需大量标签信息的问题。实现步骤为：数据预处理；生成对抗网络参数设置；计算生成对抗网络中生成器网络G输出；构建生成对抗网络目标函数；生成对抗网络训练；提取多层特征并进行池化和组合操作得到最终特征。本发明首次使用了生成对抗网络提取特征，卷积计算利用了高光谱图像的空间信息和光谱信息，使用生成对抗网络的多层特征，有效提高了高光谱图像的分类精度，本发明在训练及特征提取中都未使用任何标签信息，属于完全无监督特征提取。本发明适用于各类高光谱图像的无监督特征提取。
-
公开(公告)号：CN108537790A
公开(公告)日：2018-09-14
申请号：CN201810331951.5
申请日：2018-04-13
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于耦合翻译网络的异源图像变化检测方法，主要解决现有异源图像变化检测方法精度低、鲁棒性不强的问题。其实现步骤为：1)设定两个翻译网络的结构和参数；2)输入两幅异源图像并计算两幅图像间的杰森-香农散度距离和像素未变化的概率系数；3)训练第一个翻译网络，得到第一幅图的翻译结果图；4)训练第二个翻译网络，得到第二幅图的翻译结果图；5)根据两幅翻译结果图更新像素未变化的概率系数；6)依次重复步骤3)-5)直到网络目标函数值稳定；7)根据两幅翻译结果图得到差异图；8)对差异图进行聚类，得到最后的变化检测图。本发明具有检测准确、鲁棒性强的优点，可用于图像翻译、模式识别、目标跟踪。
-
公开(公告)号：CN108537790B
公开(公告)日：2021-09-03
申请号：CN201810331951.5
申请日：2018-04-13
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于耦合翻译网络的异源图像变化检测方法，主要解决现有异源图像变化检测方法精度低、鲁棒性不强的问题。其实现步骤为：1)设定两个翻译网络的结构和参数；2)输入两幅异源图像并计算两幅图像间的杰森‑香农散度距离和像素未变化的概率系数；3)训练第一个翻译网络，得到第一幅图的翻译结果图；4)训练第二个翻译网络，得到第二幅图的翻译结果图；5)根据两幅翻译结果图更新像素未变化的概率系数；6)依次重复步骤3)‑5)直到网络目标函数值稳定；7)根据两幅翻译结果图得到差异图；8)对差异图进行聚类，得到最后的变化检测图。本发明具有检测准确、鲁棒性强的优点，可用于图像翻译、模式识别、目标跟踪。
-
公开(公告)号：CN108510059A
公开(公告)日：2018-09-07
申请号：CN201810193048.7
申请日：2018-03-09
申请人： 西安电子科技大学
CPC分类号： G06N3/0481 , G06N3/08
摘要： 本发明公开了一种基于深度自编码器的复杂网络节点影响力最大化方法，解决了复杂网络影响力最大化问题。其实现步骤为：构建复杂网络数据；确定复杂网络各节点的初始影响力；估计两层范围内影响力传播值；构建复杂网络影响力近似矩阵；构建编解码模型；训练编解码模型，优化编解码模型的目标函数，得到复杂网络各节点的影响力特征；选择复杂网络的影响力节点集合；不同于其他技术贪心地选择节点，本发明使用深度自动编码器通过无监督的方法，能够有效地挖掘出复杂网络节点的深层影响力特征，并找到具有潜在影响力的节点集合，所选择的节点能够引起大范围的影响力传播。本发明可应用于真实世界中的各类复杂网络。
-
公开(公告)号：CN108492298B
公开(公告)日：2021-11-09
申请号：CN201810340804.4
申请日：2018-04-13
申请人： 西安电子科技大学
摘要： 本发明公开一种基于生成对抗网络的多光谱图像变化检测方法，解决现有方法检测精度低和对噪声敏感的问题。实现步骤为：1)设定判别分类网络D和生成网络G的结构及目标函数，以及生成网络G生成的图像与真实图像的距离系数λ；2)获得两个不同时相的图像的差异图ID；3)对ID进行划分，获得初始变化检测结果，并根据该结果，将两个不同时相划分为标记和未标记数据，组成训练集合；4)用判别分类网络D和生成网络G组成分类网络W，并运用训练集合对其训练，获得训练后的判别分类网络D'；5)将两个不同时相图像输入到该判别分类网络D'中，获得最终的变化检测结果。本发明具有检测精度高，鲁棒性强的优点，可应用于图像理解或模式识别。
-
公开(公告)号：CN108492298A
公开(公告)日：2018-09-04
申请号：CN201810340804.4
申请日：2018-04-13
申请人： 西安电子科技大学
摘要： 本发明公开一种基于生成对抗网络的多光谱图像变化检测方法，解决现有方法检测精度低和对噪声敏感的问题。实现步骤为：1)设定判别分类网络D和生成网络G的结构及目标函数，以及生成网络G生成的图像与真实图像的距离系数λ；2)获得两个不同时相的图像的差异图ID；3)对ID进行划分，获得初始变化检测结果，并根据该结果，将两个不同时相划分为标记和未标记数据，组成训练集合；4)用判别分类网络D和生成网络G组成分类网络W，并运用训练集合对其训练，获得训练后的判别分类网络D'；5)将两个不同时相图像输入到该判别分类网络D'中，获得最终的变化检测结果。本发明具有检测精度高，鲁棒性强的优点，可应用于图像理解或模式识别。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.024 秒)
