-
公开(公告)号：CN113486923B
公开(公告)日：2025-03-25
申请号：CN202110615207.X
申请日：2021-06-02
Applicant: 长安大学
IPC: G06V10/764 , G06V10/776 , G06V10/774 , G06V10/82 , G06N3/088 , G06N3/0464
Abstract: 本发明属于人工智能技术领域，公开了一种基于动态宽度‑深度神经网络进行高光谱影像分类的方法及其训练方法。该网络可以解决在宽度下采样层向宽度方向和深度方向扩展学习高级特征时使用迭代最小二乘法，将多个EWSWS网逐个加入到网络中，以增量的方式获得更多的学习能力。当训练数据学习充分时，增长过程自动停止。在此过程中训练数据在特征域和样本域都进行了分割，因此可以用于特征维数高、训练样本数量多的高光谱影像数据。网络的另一个优点是，在逐步、自动地寻找合适的体系结构时，学习过程更加稳定，可以在全连接层中给出非常具体的超参数和训练好的权值。
-
公开(公告)号：CN111652275B
公开(公告)日：2023-04-07
申请号：CN202010362496.2
申请日：2020-04-30
Applicant: 长安大学
IPC: G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种疏散星团识别模型构建方法，所述疏散星团识别模型构建方法包括步骤1、获取标记天区的区域星体结构化数据，为由该天区内区域星体组成的星团加注标签，组成区域星体结构化数据集以及星团标签集；步骤2、对所述的区域星体结构化数据集进行处理，得到Parzen窗密度图样本集；步骤3、以所述的Parzen窗密度图样本集作为输入，以所述星团标签集作为输出，对预构建的疏散星团识别模型进行训练，得到训练好的疏散星团识别模型。本发明解决了天文研究中疏散星团识别依赖人工判断自动化程度差、效率低的技术问题。本发明还公开了一种疏散星团的识别方法和系统。
-
公开(公告)号：CN113486923A
公开(公告)日：2021-10-08
申请号：CN202110615207.X
申请日：2021-06-02
Applicant: 长安大学
Abstract: 本发明属于人工智能技术领域，公开了一种用于高光谱分类的动态宽度‑深度神经网络及其学习方法。该网络可以解决在EWSWS层向宽度方向和深度方向扩展学习高级特征时使用迭代最小二乘法，将多个EWSWS网逐个加入到网络中，以增量的方式获得更多的学习能力。当训练数据学习充分时，增长过程自动停止。在此过程中训练数据在特征域和样本域都进行了分割，因此可以用于特征维数高、训练样本数量多的高光谱影像数据。网络的另一个优点是，在逐步、自动地寻找合适的体系结构时，学习过程更加稳定，可以在全连接层中给出非常具体的超参数和训练好的权值。
-
公开(公告)号：CN111652275A
公开(公告)日：2020-09-11
申请号：CN202010362496.2
申请日：2020-04-30
Applicant: 长安大学
Abstract: 本发明公开了一种疏散星团识别模型构建方法，所述疏散星团识别模型构建方法包括步骤1、获取标记天区的区域星体结构化数据，为由该天区内区域星体组成的星团加注标签，组成区域星体结构化数据集以及星团标签集；步骤2、对所述的区域星体结构化数据集进行处理，得到Parzen窗密度图样本集；步骤3、以所述的Parzen窗密度图样本集作为输入，以所述星团标签集作为输出，对预构建的疏散星团识别模型进行训练，得到训练好的疏散星团识别模型。本发明解决了天文研究中疏散星团识别依赖人工判断自动化程度差、效率低的技术问题。本发明还公开了一种疏散星团的识别方法和系统。
-
公开(公告)号：CN111008647A
公开(公告)日：2020-04-14
申请号：CN201911076217.X
申请日：2019-11-06
Applicant: 长安大学
Abstract: 本发明属于图像处理技术领域，公开了一种样本提取及基于空洞卷积与残差链接的图像分类方法，样本提取方法通过构建原始图像的图像金字塔，然后对图像金字塔进行卷积，并提取标识结果，并通过二值化，模糊聚类等方法最终获得带有类别标签的区域标识图，最终通过图像映射得到同源可靠分类样本。基于空洞卷积与残差链接的图像分类方法通过模拟视网膜中央凹清晰视野的方法，构架了完全自适应的深度学习分类网络，从影像自身的同源可靠样本中学习不同类别独有的特征模式，并根据学习到的特征模式，对图像进行了完全自适应的分类。
-
Patent Agency Ranking
公开(公告)号：CN110110769A
公开(公告)日：2019-08-09
申请号：CN201910331695.4
申请日：2019-04-24
Applicant: 长安大学
Abstract: 本发明公开了一种基于宽度径向基函数网络的图像分类方法，包括以下步骤：构建径向基函数网络；采用滑动窗口获得待处理图像的局部特征矩阵；通过宽度径向基函数网络对局部特征矩阵进行非线性变换，获得宽度径向基函数网络的输出数据；通过排序和下采样得到宽度径向基函数网络的高斯基函数输出，采用线性层权重对高斯基函数输出进行线性层连接，得到最终输出，即得到处理后的图像和训练后的宽度径向基函数网络。本发明采用滑动窗口获取待处理图像的局部特征，减少了隐藏层神经元个数，此外，采用排序和下采样的方式进一步减少了输出个数，解决了图像为尺寸较大时权值数指数增加的问题，从而可实现图像数据的高效分类。
-
公开(公告)号：CN112966761B
公开(公告)日：2024-03-19
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
公开(公告)号：CN115601544A
公开(公告)日：2023-01-13
申请号：CN202211258519.0
申请日：2022-10-14
Applicant: 长安大学(CN)
IPC: G06V10/26 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明涉及图像检测与分割领域，具体涉及一种高分辨率图像滑坡检测与分割方法。本发明方法建立基于光学图像的滑坡检测分割网络模型，并利用迁移学习方法使模型对光学图像较少的老旧滑坡也可以进行检测和分割，从而快速地完成对滑坡的检测和分割，确定滑坡的新旧类型及具体分布，提高了检测效率，降低了成本。
-
公开(公告)号：CN114862883A
公开(公告)日：2022-08-05
申请号：CN202210479919.8
申请日：2022-05-05
Applicant: 长安大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种目标边缘提取方法、图像分割方法及系统。所述目标边缘提取方法通过构建基于边缘查找的无监督粗略分割方法模拟视觉的工作记忆原理，进行场景的整体认知，获取大面积目标的准确边缘。所述图像分割方法是基于目标提取方法和分割神经网络，模拟视觉注意对场景进行细致观察，得到小面积的细节；最后根据视觉表现出的推理能力，结合粗略分割中的准确边缘生成分割结果。本发明在模拟视觉推理分别认知地面场景整体与细节的基础上，进行整体信息与细节信息的相互补充与相互修正，实施噪声去除、错误修复，从而有效提高图像分割的精度。
-
公开(公告)号：CN112966761A
公开(公告)日：2021-06-15
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.018 seconds)
