-
公开(公告)号：CN118247610A
公开(公告)日：2024-06-25
申请号：CN202410493182.4
申请日：2024-04-23
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： G06V10/778 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06V20/10
摘要： 本发明提供基于聚合能量蒸馏的遥感图像增量学习方法及装置，涉及机器学习和人工智能技术领域。此方法包括：将预设遥感图像依次输入卷积神经网络模型、空间通道联合表示模块和卷积神经网络模型中，提取多个特征向量，来选择和保留区分原型特征，以在新任务学习时减少旧任务知识的遗忘。在将多个最终原型特征和记忆库的多个目标原型特征、预设原型特征输入到分类器中，输出特征的分类的增量学习中，实现新旧任务间有效的知识转移，使模型在新任务上的学习效率较高。采用自适应特征蒸馏损失函数使在新任务学习过程中，模型能稳定地传递旧任务的知识和适应新任务，提高模型在新任务上的泛化能力。在特征向量中筛选原型特征以存储，可减少存储成本。
-
公开(公告)号：CN118710962A
公开(公告)日：2024-09-27
申请号：CN202410779208.1
申请日：2024-06-17
申请人： 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/092
摘要： 本发明公开了一种基于泛化增强网络的少样本类增量目标识别方法，包括：获取待处理图像；将待处理图像输入预先基于少样本增量学习算法训练得到的目标识别模型，获得获取待处理图像的目标识别结果；其中，目标识别模型为：获取基础网络并进行训练后，利用训练得到的基础网络的参数初始化泛化增强网络，进一步在训练泛化增强网络的过程中进行实例级泛化及原型级泛化而获得的神经网络。本发明在少样本类增量学习的过程中引入了泛化增强网络和多级泛化策略，显著增强了目标识别模型的泛化能力，使目标识别模型能够更有效地适应新类别。此外，本发明还提高了目标识别模型在面对新任务时的稳健性，实例级泛化和原型级泛化有效缓解了灾难性遗忘问题。
-
公开(公告)号：CN118447290A
公开(公告)日：2024-08-06
申请号：CN202410351213.2
申请日：2024-03-26
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： G06V10/764 , G06V10/82 , G06V10/32 , G06N3/09
摘要： 本发明提供了一种基于测试时间持续域自适应双流网络的图像识别方法及装置，通过从车载电子摄像设备获取实时图像；将所述实时图像输入至训练好的双流网络中得到两个子网络输出的所述实时图像的预测类别；其中，所述训练好的双流网络在训练过程中通过权重软参数对齐策略以保留源域数据和目标域数据的知识；两个子网络权重参数共享，训练过程相互独立，各自输出对应的预测类别；利用决策方案对两个子网络输出的预测类别作决策，得到实时图像的最终所属类别。本发明充分利用源域和目标域模型的新旧知识可以防止灾难性遗忘，通过独立优化不同子网络的参数来减少错误累积，因此提高识别自动驾驶图像的准确性和效率。
-
公开(公告)号：CN118350446A
公开(公告)日：2024-07-16
申请号：CN202410463880.X
申请日：2024-04-17
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： G06N3/096 , G06N3/045 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/764 , G06V10/82
摘要： 本发明提供了一种基于残差特征调制的类增量无源域自适应方法及装置。其中，方法包括：获取待识别目标域数据；将待识别目标域数据输入预训练分类模型，利用预训练分类模型对待识别目标域数据进行类别计算并输出对应的类别伪标签；预训练分类模型包括：预训练源域特征提取器和残差目标调制模块；预训练源域特征提取器为利用源域数据训练得到；残差目标调制模块为在预训练源域特征提取器上添加注意力机制以及残差连接得到；通过最近邻方法对类别伪标签进行标签更新，得到更新类别标签；利用更新类别标签对残差目标调制模块进行网络参数更新，完成特征调制的类增量。提高了预训练分类模型对目标域数据的学习效果，降低了预训练分类模型的维护成本。
-
公开(公告)号：CN116468991A
公开(公告)日：2023-07-21
申请号：CN202310166627.3
申请日：2023-02-24
申请人： 西安电子科技大学
IPC分类号： G06V10/98 , G06V10/774 , G06V10/44
摘要： 本发明公开了一种基于渐进校准的类增量无监督域自适应图像识别方法，包括：获取未标记的目标数据集和已标记的源数据集；利用源域预训练模型对目标数据集进行预测以生成目标类，并为目标数据集中的样本生成伪标签，将目标类和伪标签存入在内存库；将目标数据集划分为置信度高的样本和置信度低的样本，并联合源数据集训练目标模型；且训练过程中施加多种约束损失同时进行目标类类级校准和目标级校准；在每一次迭代训练之后对内存库数据进行更新，直至损失函数收敛；利用训练好的目标模型对待识别的图像进行处理，得到最终的识别结果。该方法合理利用了来自源领域的知识，平衡缓解了负迁移和灾难性遗忘之间的关系，实现了算法效率和准确度的提升。
-
公开(公告)号：CN110518343B
公开(公告)日：2021-02-02
申请号：CN201910664080.3
申请日：2019-07-23
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于单极子结构的宽带基站天线，包括辐射结构、四个相同的同轴馈线、反射板、支撑柱，所述的辐射结构由四个相同的单极子结构、金属地板结构和第一介质板组成；所述的金属地板结构包括印制在第一介质板的上表面的第一金属贴片、印制在下表面第二金属贴片、金属枝节、金属通孔和正方形缝隙；所述的四个相同的单极子结构由半圆形贴片和短微带线组成；该四个相同的单极子结构位于第一介质板的上表面，且关于Z轴中心对称分布；所述的短微带线延伸至与正方形缝隙相对应的位置。本发明通过采用四个相同的单极子结构作为主辐射贴片，天线结构简单。本发明可被用于IMT/2G/3G/4G/LTE系统中的基站天线。
-
公开(公告)号：CN116451111A
公开(公告)日：2023-07-18
申请号：CN202310252690.9
申请日：2023-03-15
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于去噪对比学习的鲁棒跨域自适应分类方法，包括：获取源域数据和目标域数据；利用分类网络分别从源域、目标域数据中选取干净样本；根据源域、目标域数据中所有样本建立图结构，根据图结构对噪声样本进行标签传播以对其净化得到源域、目标域数据对应鲁棒标签矩阵，根据鲁棒标签矩阵构建目标损失函数；对干净样本分别执行包括跨域类内对齐和类间分散的跨域去噪对比学习方法；基于跨域类内对齐构建了分布匹配函数，基于类间分散构建了嵌入离散函数；根据目标损失函数、分布匹配函数和嵌入离散函数构建最终的目标优化函数；根据分类网络，以及目标优化函数迭代实现目标域数据的分类。本发明使监督更加可靠，增强了类的区分能力。
-
公开(公告)号：CN108767493B
公开(公告)日：2020-09-08
申请号：CN201810549668.X
申请日：2018-05-31
申请人： 西安电子科技大学
摘要： 本发明公开一种二维波束偏转法布里‑珀罗谐振腔天线，包括反射覆层、介质基板、超表面结构、介质基板、反射结构、介质基板、馈电结构以及支撑柱。反射覆层由二维方向上渐变排布的反射单元组成。超表面结构由多个矩形贴片组成。反射结构为一个蚀刻有缝隙的金属地板。馈电结构为微带馈电结构。支撑柱由四个尼龙柱组成。本发明利用近300°相位梯度变化的反射单元，并通过单元结构的二维排布，在工作频段内实现了大角度二维波束偏转。使得该天线在天线安装空间受到限制时，天线主波束方向无法调节导致的波束指向性情况。
-
公开(公告)号：CN116824214A
公开(公告)日：2023-09-29
申请号：CN202310560481.0
申请日：2023-05-17
申请人： 西安电子科技大学
IPC分类号： G06V10/764 , G06V10/774 , G06T3/40 , G06N3/0455 , G06N3/09
摘要： 本发明公开了一种基于概念协作网络的组合零样本学习方法及其装置，包括：获取待测原始图像；使用训练好的概念协作网络的特征提取器对待测原始图像进行处理，得到特征；使用训练好的概念协作网络的状态编码器对待测原始图像的特征进行处理，得到状态特征；使用训练好的概念协作网络的对象编码器对待测原始图像的特征进行处理，得到对象特征；使用训练好的概念协作网络的概念交互模块对特征、状态特征和对象特征进行处理；将待测原始图像的特征的自注意力特征、状态特征的自注意力特征和对象特征的自注意力特征进行拼接；使用训练好的概念协作网络的学习模块对拼接的组合特征进行学习，得到待测原始图像的分类结果。本发明能够增强识别性能。
-
公开(公告)号：CN116434034A
公开(公告)日：2023-07-14
申请号：CN202310319479.4
申请日：2023-03-27
申请人： 西安电子科技大学
IPC分类号： G06V10/82 , G06V10/764 , G06V10/774 , G06V20/58 , G06N3/045 , G06N3/096 , G06N3/084
摘要： 本发明涉及一种基于互补关系挖掘的不平衡增量学习方法，包括：构建不平衡增量学习模型包括：旧任务模型、当前任务模型、特征滤波器、旧‑新编码器、头‑尾编码器和分类器；构建不平衡数据集；将数据集输入至不平衡增量学习模型中进行增量学习；其中，在增量学习过程中，使用头‑尾编码器挖掘多数类和少数类数据之间的关系，旧‑新编码器挖掘旧任务模型和当前任务模型生成的特征之间的关系。利用学习完成后的当前任务模型实现分类识别。本发明提供了一种新的增量学习方法，可以应用至自动驾驶等多种实际场景中，解决了传统增量学习过程中数据分布不平衡导致的性能下降问题和灾难性遗忘导致分类识别精度变差而产生的安全性问题。
-
-
-
-
-
-
-
-
-
搜索结果
23 条记录 (耗时 0.126 秒)
