公开(公告)号：CN106651778A

公开(公告)日：2017-05-10

申请号：CN201610349594.6

申请日：2016-05-25

Applicant: 西安电子科技大学昆山创新研究院 ,  西安电子科技大学

Inventor： 杨淑媛 ,  蔡朝东 ,  焦李成 ,  刘芳 ,  马晶晶 ,  马文萍 ,  熊涛 ,  刘红英 ,  李斌 ,  金莉

IPC: G06T5/00

CPC classification number: G06T5/001 ,  G06T2207/10036 ,  G06T2207/20081

Abstract: 本发明公开了一种基于自适应耦合观测与非线性压缩学习的光谱成像方法，主要解决现有技术无法保证观测矩阵与学习得到的字典不相关的问题。其实现步骤为：1.把原始空间中的信号投影到特征空间上；2.利用KPCA的方法，在特征空间中进行字典学习，求得稀疏字典；3.随机初始化观测矩阵，对由稀疏字典和初始观测矩阵的乘积组成的感知矩阵进行迭代训练，得到经过耦合优化的观测矩阵；4.通过核压缩感知的方法实现非线性压缩感知光谱成像；5.利用pre‑image方法恢复出原信号。实验结果表明：在不同的采样率下，本发明与现有以高斯随机矩阵作为观测矩阵的方法相比，其重构效果较好，可用于高光谱图像的低成本与高质量获取。

公开(公告)号：CN114913379B

公开(公告)日：2024-08-20

申请号：CN202210644945.1

申请日：2022-06-08

Applicant: 西安电子科技大学

Inventor： 唐旭 ,  林伟权 ,  马晶晶 ,  张向荣 ,  焦李成

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/778

Abstract: 本发明提出了一种基于多任务动态对比学习的遥感图像小样本场景分类方法，主要解决现有技术在遥感图像小样本场景分类精度低的问题。其实现方案包括：从数据集中划分训练集和测试集；构建多任务动态对比学习模型；构建训练多任务动态对比学习模型所需的多任务；提取多任务的特征、原型及正负样本；定义分类准确率和总体损失函数；通过多任务及其特征、原型和正负样本计算总体损失函数；使用Adam优化器的动量估计算法对总体损失函数求梯度，并根据梯度负方向训练多任务动态对比学习模型；利用训练好的多任务对比学习模型输出测试集中图像的预测结果。本发明相较于现有技术极大地提高了分类精度，可用于分类对象样本稀缺的实际应用场景。

公开(公告)号：CN118334529A

公开(公告)日：2024-07-12

申请号：CN202410365425.6

申请日：2024-03-28

Applicant: 西安电子科技大学

Inventor： 唐旭 ,  张廷瑞 ,  马晶晶 ,  张向荣 ,  焦李成

IPC: G06V20/13 ,  G06V10/774 ,  G06V10/42 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455

Abstract: 本发明提出了一种基于特征逆转信息熵网络的遥感影像变化检测方法，实现步骤为：获取训练样本集和测试样本集，构建基于特征逆转信息熵网络的遥感影像变化检测网络模型，对遥感影像变化检测网络模型进行迭代训练，获取遥感影像变化检测结果。本发明中的可变形信息熵卷积模块通过计算每幅特征图可变形区域内像素变化概率分布的信息熵，降低了伪变化本身可用信息量有限对误检率的影响，同时深度监督特征增强模块通过对变化区域的选择性深度监督，缓解了遥感影像变化检测中的类不平衡问题，降低了模型的漏检率，且特征逆转模块通过利用卷积与反卷积之间对应的可逆关系，增强了特征逆转模块的建模能力，提高了检测准确率。

公开(公告)号：CN116524361A

公开(公告)日：2023-08-01

申请号：CN202310544667.7

申请日：2023-05-15

Applicant: 西安电子科技大学

Inventor： 马晶晶 ,  张天祥 ,  唐旭 ,  张向荣 ,  焦李成

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06V20/50 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/047 ,  G06N3/0455 ,  G06V10/774 ,  G06N3/084

Abstract: 本发明公开了一种基于双孪生分支的遥感图像变化检测网络及检测方法，主要解决现有技术在多种分辨率遥感图像中检测能力不足的问题，该检测网络由孪生局部信息编码分支、孪生全局信息编码分支、差异增强模块、特征融合模块和分类器组成，孪生局部和全局信息编码分支提取多层次双时局部细粒度和全局上下文特征；差异增强模块生成并增强差异特征；特征融合模块融合局部、全局和跨层次的信息并挖掘通道线索；分类器对最终融合特征进行分类并生成变化预测图。本发明通过双孪生分支提取多层次双时局部和全局特征增强了网络的泛化能力；通过差异增强模块和特征融合模块提高了网络的检测精度，可用于土地覆盖识别、城市扩张估计和农业发展监测。

公开(公告)号：CN113033672B

公开(公告)日：2023-07-28

申请号：CN202110335732.6

申请日：2021-03-29

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  程自华 ,  刘佳丽 ,  邬子同 ,  李中华 ,  焦李成 ,  马文萍 ,  马晶晶

IPC: G06V20/13 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种基于特征增强的多类别光学图像旋转目标自适应检测方法，实现步骤为：获取训练样本集和测试样本集；构建基于特征增强的光学图像旋转目标检测网络模型；对基于特征增强的光学图像旋转目标检测网络模型进行迭代训练；通过训练好的基于特征增强的光学图像旋转目标检测网络模型对所有目标的边界框位置和类别置信度进行检测。本发明通过特征增强子网络对特征提取子网络提取后的特征进行卷积融合，增强了目标的语义特征和位置特征，同时检测网络在卷积融合后的高分辨率特征图上检测出更多的小尺度目标，减小了小尺度目标漏检的几率，提高了任意方向多尺度旋转目标检测的召回率和准确率，可用于资源管理、安全预警、非法活动识别等领域。

公开(公告)号：CN116363516A

公开(公告)日：2023-06-30

申请号：CN202310339916.9

申请日：2023-03-31

Applicant: 西安电子科技大学

Inventor： 唐旭 ,  段钧益 ,  马晶晶 ,  张向荣 ,  焦李成

IPC: G06V20/10 ,  G06V10/42 ,  G06V10/82 ,  G06V10/44 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明提出一种基于边缘辅助和自适应的遥感图像变化检测方法，其实现步骤为：构建边缘辅助和自适应变化检测网络EATDer；生成相应的训练集和验证集；使用训练集和验证集对EATDer进行训练；对遥感图像进行变化检测。本发明利用搭建的SAVT模块和FRFM模块，能够在合理的计算代价下提取遥感图像全局特征，并控制数据集本身正负样本不均的影响，利用了强调边缘信息的变化检测模块和联合损失函数，能够使得网络充分注意到待检测目标的边缘检测精度，解决了现有技术方法中存在的计算代价大，边缘检测经常粘连，精度不高的问题。

公开(公告)号：CN112053385B

公开(公告)日：2023-06-02

申请号：CN202010887465.9

申请日：2020-08-28

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  崔艳雨 ,  焦李成 ,  吴倩 ,  任博 ,  马晶晶 ,  马文萍

IPC: G06T7/246 ,  G06T7/13 ,  G06T7/73 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明公开了一种基于深度强化学习的遥感视频遮挡目标跟踪方法，主要解决现有技术对遮挡目标检测准确率低的问题。其方案为：1)将每帧视频图像输入到深度强化学习网络进行特征提取，获得动作和状态信息；2)根据1)的结果，通过动作驱动方式获得运动矢量、置信值及目标的位置和大小；3)比较置信值与阈值的大小判断是否正确检测到目标：若是，则返回1)；否则，利用视频的时空背景、目标外观模型和运动矢量，获得目标的遮挡信息；4)根据遮挡信息，驱动强化学习的动作获得遮挡目标的位置和大小；5)重复1)‑4)，直到检测出所有序列。本发明提高了遥感视频中复杂多样的弱小目标检测率，可应用于对飞机、舰船或车辆的检测识别。

公开(公告)号：CN109784192B

公开(公告)日：2023-04-18

申请号：CN201811561744.5

申请日：2018-12-20

Applicant: 西安电子科技大学

Inventor： 马晶晶 ,  蒋汾龙 ,  公茂果 ,  王善峰 ,  范晓龙 ,  张明阳 ,  武越 ,  张朋朋

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于超像素特征提取神经网络算法的高光谱影像分类方法，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。本发明减少了监督学习方法中对样本标记数目的依赖；通过设计的神经网络对超像素的提取，兼顾了超像素个体像素以及全体像素的深度特征信息，使特征更鲁棒。

公开(公告)号：CN110765951B

公开(公告)日：2023-03-10

申请号：CN201911017055.2

申请日：2019-10-24

Applicant: 西安电子科技大学

Inventor： 侯彪 ,  周育榕 ,  焦李成 ,  马文萍 ,  马晶晶 ,  杨淑媛

IPC: G06V20/13 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提出了一种基于边界框修正算法的遥感图像飞机目标检测方法，解决了传统非极大值抑制算法直接选择得分最高边界框而造成的检测边界框不精确和被切分的飞机在检测时被多框标注引起的虚警问题。包括以下步骤：生成训练和测试样本集；训练样本预处理；测试样本重叠切片，得到预处理后的测试样本；训练飞机目标检测模型；检测切片中的飞机目标；用边界框修正法对测试样本中的检测结果进行边界框修正；生成飞机目标检测结果图。本发明对同一目标上的相交边界框，用相叠修正法相叠修正，获得更加精准的检测框；对同一目标上的平行相邻边界框用相邻融合法融合改进，在检测结果中去除同一目标上的多框虚警。本发明用于遥感图像飞机目标检测。

公开(公告)号：CN115761502A

公开(公告)日：2023-03-07

申请号：CN202211472616.X

申请日：2022-11-17

Applicant: 西安电子科技大学

Inventor： 唐旭 ,  李德生 ,  马晶晶 ,  张向荣 ,  焦李成

IPC: G06V20/10 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/762 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于混合卷积的SAR图像变化检测方法，主要解决将现有技术难以提取图像的全局信息，及在无标注标签的情况下缺少可靠标签训练网络的问题，其方案为：构建三通道的输入和初始标签；搭建由特征提取模块、渐进式融合模块和标签更新模块级联组成的图卷积加强卷积网络GECN；使用三通道的输入与标签对GECN进行训练；将被测试的SAR图像输入到训练好的GECN得到变化检测结果。本发明通过特征提取模块获取SAR图像局部和全局信息的多尺度特征，提高了GECN网络的特征提取能力；通过标签更新模块获取更多可靠标签训练GECN网络，提高了GECN网络的泛化性能，可用于城市规划布局、自然灾害评估和军事动态侦察。