-
公开(公告)号：CN115827560A
公开(公告)日：2023-03-21
申请号：CN202211464031.3
申请日：2022-11-22
申请人： 西安电子科技大学 , 南京认知物联网研究院有限公司
IPC分类号： G06F16/13 , G06F16/182
摘要： 本申请实施例涉及数据存储技术领域，特别涉及一种基于分布式的工业海量小文件的存储方法及系统，该方法包括以下步骤：根据文件语义信息，获取文件对应的文件库标识码；基于文件库标识码，获取当前文件库的文件放置规则；基于文件的文件名，获取与文件名对应的虚拟节点以及虚拟节点标识码；基于虚拟节点标识码、文件库标识码以及文件放置规则，获取指定副本数量的存储设备的集合以及文件在所述存储设备中的存放目录。本申请实施例解决了在工业领域海量小文件的存储场景下，海量元数据难以管理以及如何根据文件语义分层存储的问题。
-
公开(公告)号：CN116071290A
公开(公告)日：2023-05-05
申请号：CN202211098674.0
申请日：2022-09-08
申请人： 西安电子科技大学 , 南京认知物联网研究院有限公司
IPC分类号： G06T7/00 , G06V10/26 , G06V10/40 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/084
摘要： 本发明涉及一种工业品视觉检测方法及系统，属于工业产品检测领域，通过将待检测图像进行重叠性分割处理获得若干子图像，一方面降低图像大小对检测结果精度的影响，另一方面使子图像具有序列关联特征；通过将当前子图像特征和前一子图像的分类特征进行融合获得当前子图像的分类特征，既不丢失当前子图像的图像特征，又能获取到前后序列关联特征。通过对获取的分类特征实施注意力机制，可提高对有缺陷区域的软注意力。本发明不仅能够检测到子图像中工业品的缺陷，而且能够检测到跨子图像的缺陷，实现对工业品图像中的缺陷检测不需要进行位置标注，就能达到检测速度快、检测精度高的效果，降低模型对数据标注的密集性要求。
-
公开(公告)号：CN115546100A
公开(公告)日：2022-12-30
申请号：CN202210935369.6
申请日：2022-08-04
申请人： 西安电子科技大学 , 南京认知物联网研究院有限公司
摘要： 本发明涉及一种基于上下文特征融合的工业品视觉检测方法及检测器，属于工业产品光学图像处理领域，用于解决当前检测算法对产品进行单独检测存在误判、漏检情况，而通过二次检测会导致检测速度变慢，对于特定缺陷检测又缺乏普适性等问题。本发明方法采用深度神经网络并结合上下文信息来进行工业产品的表面缺陷检测方法，提高工业产品表面缺陷的检测速度和准确度，且具有良好地普适性。
-
公开(公告)号：CN113743180B
公开(公告)日：2024-05-07
申请号：CN202110491864.8
申请日：2021-05-06
申请人： 西安电子科技大学
IPC分类号： G06V20/13 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。
-
公开(公告)号：CN117950082A
公开(公告)日：2024-04-30
申请号：CN202311657477.2
申请日：2023-12-05
申请人： 西安电子科技大学
IPC分类号： G01W1/10
摘要： 本发明公开了一种基于微地形的深度学习气象数据预报方法及装置，通过获取预报区域的气象要素数据和微地形数据，将气象要素数据和微地形数据输入至预先训练完成的微地形气象数据预报模型，以使微地形气象数据预报模型执行以下操作：对气象要素数据和微地形数据分别进行特征编码，得到气象要素编码特征和地形编码特征，对气象要素编码特征和地形编码特征进行融合，得到融合编码特征。根据融合编码特征预测气象数据预报结果。相较于现有技术中未考虑到地形因素对预测的气象数据带来的影响，在本申请方案中通过对气象要素编码特征和地形编码特征的融合得到的融合编码特征预测气象数据预报结果，提升了气象数据预报结果的准确率。
-
公开(公告)号：CN115761302A
公开(公告)日：2023-03-07
申请号：CN202211279726.4
申请日：2022-10-19
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08
摘要： 本申请实施例涉及图像处理技术领域，特别涉及一种基于前向特征兼容的小样本目标识别方法，包括：构建广义小样本学习算法的学习任务；构造满足基于马氏距离的线性判别分类器鲁棒性最大的前向类别可兼容原型向量；构造可将样本映射为符合最大化马氏距离分布的隐特征的深度神经网络；训练分类子网络；识别目标图像。本申请实施例提供一种基于前向特征兼容的小样本目标识别方法，解决自动目标识别方法中存在的测试阶段有标签样本受限导致的分类器鲁棒性弱、样本非均衡时分类准确性低以及无法对新增类别进行分类的问题。
-
公开(公告)号：CN113486917B
公开(公告)日：2023-06-02
申请号：CN202110535025.1
申请日：2021-05-17
申请人： 西安电子科技大学
IPC分类号： G06F18/214 , G06F18/241 , G06N3/0464 , G01S7/41
摘要： 本发明公开了一种基于度量学习的雷达HRRP小样本目标识别方法，包括首先构建多目标HRRP样本集，通过基于特征适应层和转换运算层改进的卷积神经网络训练出特征提取模型，利用所提取的特征计算每个类别的中心点，再利用度量函数构建损失函数，利用经过特征提取之后的非合作小样本目标的HRRP特征数据基于梯度优化的全连接层训练分类器，以此实现非合作小样本目标识别。本发明通过构建特征适应层和转换运算层来改进卷积神经网络，进一步提高了特征提取器的泛化能力。
-
公开(公告)号：CN113486917A
公开(公告)日：2021-10-08
申请号：CN202110535025.1
申请日：2021-05-17
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于度量学习的雷达HRRP小样本目标识别方法，包括首先构建多目标HRRP样本集，通过基于特征适应层和转换运算层改进的卷积神经网络训练出特征提取模型，利用所提取的特征计算每个类别的中心点，再利用度量函数构建损失函数，利用经过特征提取之后的非合作小样本目标的HRRP特征数据基于梯度优化的全连接层训练分类器，以此实现非合作小样本目标识别。本发明通过构建特征适应层和转换运算层来改进卷积神经网络，进一步提高了特征提取器的泛化能力。
-
公开(公告)号：CN116611492A
公开(公告)日：2023-08-18
申请号：CN202310507137.5
申请日：2023-05-05
申请人： 西安电子科技大学
IPC分类号： G06N3/08 , G06N3/048 , G06N3/045 , G06N3/0464 , G06N3/044 , G06V10/764 , G06V10/82 , G06V10/74
摘要： 本申请实施例涉及数据处理技术领域，特别涉及一种基于条件传输理论进行概率无偏估计的小样本学习方法，包括：步骤S1、构建小样本学习算法的学习任务；学习任务包括支持集样本和查询集样本；步骤S2、对学习任务中类别初始化，得到类别原型向量；步骤S3、基于条件传输距离，构建查询集样本与类别原型向量之间的相似度矩阵；步骤S4、基于相似度矩阵，对类别原型向量进行修正；步骤S5、迭代步骤S3及步骤S4，直至修正后的类别原型向量收敛，得到最终原型向量；步骤S6、基于最终原型向量对查询集样本进行预测。本申请提供的小样本学习方法，能够在查询集类别分布的较大动态范围内均可取得一致性的性能提升，且能够极大缩减算法的时间复杂度。
-
公开(公告)号：CN115205602A
公开(公告)日：2022-10-18
申请号：CN202210896624.0
申请日：2022-07-28
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/762 , G06V10/774 , G06V20/13 , G06V20/70
摘要： 一种基于最优传输距离函数的零样本合成孔径雷达SAR目标识别方法，主要解决现有技术中零样本SAR目标识别方法无法识别未知类别的新目标且对易混淆目标识别准确率较低的问题，实现步骤为：提取SAR图像和光学图像的特征信息；计算源域和目标域中SAR图像的类别中心；计算光学图像的类别中心；用均方误差函数和最优传输距离函数构建目标损失函数；采用最优传输距离函数进行图像识别。本发明将提取的光学图像的特征信息作为零样本学习中定义的语义属性，且利用最优传输距离函数对齐目标域的未知类别的类别中心，有效地提高了零样本SAR目标识别的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.048 秒)
