-
公开(公告)号：CN118429806A
公开(公告)日：2024-08-02
申请号：CN202410562601.5
申请日：2024-05-08
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06N3/048 , G06N3/0455 , G06V10/82 , G06V10/762 , G06V10/74
Abstract: 本发明提出了一种基于记忆驱动的自编码模型高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)由编码器模块、记忆模块和解码器模块构建自编码模型；2)设计超像素引导的自适应权重计算法，通过考虑重构误差的上下文信息为每个样本生成自适应权重；3)采用样本属性挖掘法确定样本属性，并将挖掘到的背景和异常样本分别送入不同网络进行训练；4)引入基于熵的稀疏寻址方式为记忆模块生成稀疏寻址权重；5)对模型分两阶段进行训练，并利用训练好的模型得到重构图像，获取最终检测结果。本发明通过聚焦背景样本的学习，增强背景重构能力的同时抑制并弱化异常样本的重构，能够有效提升了高光谱异常检测性能。
-
公开(公告)号：CN115471750A
公开(公告)日：2022-12-13
申请号：CN202211123551.8
申请日：2022-09-15
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/80 , G06V10/774 , G06V10/77 , G06V10/762 , G06V10/26
Abstract: 本发明提出了一种基于超像素引导判别森林的高光谱异常检测方法，主要解决现有方法中局部异常目标检测性能不佳和高虚警率的问题。方案包括：1)通过主成分分析法提取高光谱图像最主要的三个成分特征，并利用该特征进行多个不同尺度超像素分割，以获取多尺度且含所有波段的超像素特征；2)构建基于多个波段增益准则的判别森林模型对每个超像素块特征进行训练和测试，产生多个尺度的初始检测图；3)通过基于引导滤波的多尺度融合模型对所有初始检测图融合优化，获取最终检测结果。本发明将基于空间的超像素分割和基于多个光谱波段的判别森林进行结合，有效地挖掘高光谱图像的空间和光谱信息，增强模型对异常像素识别能力以提升其检测性能。
-
公开(公告)号：CN114337881A
公开(公告)日：2022-04-12
申请号：CN202111422536.9
申请日：2021-11-26
Applicant: 西安电子科技大学
IPC: H04B17/382 , G06F17/11
Abstract: 本发明提出了一种基于多无人机分布式与LMS的无线频谱智能感知方法。主要解决现有无线频谱感知技术使得算法计算量大、参数估计缓慢的问题。方案包括：1)通过采用获取待检信号和噪声信号；2)将采样得到的待检信号与噪声信号的能量均值相比得到信噪比估计值；3)设立信噪比阈值，并进行阈值判断；4)根据判断结果选择无人机的频谱检测方式，采用单点的LMS频谱检测或分布式扩散协作式的频谱检测对其进行检测，得到检测结果；5)根据检测结果对待检信号中的闲置频谱进行利用，实现频谱感知。本发明有效降低了算法复杂度，具有计算量小、参数估计快且准确率高的特点。
-
公开(公告)号：CN118711053A
公开(公告)日：2024-09-27
申请号：CN202410728919.6
申请日：2024-06-06
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/762 , G06V10/74
Abstract: 本发明公开了一种基于低秩表示和协同表示的高光谱异常检测方法，主要解决现有异常检测方法对高光谱图像的全局和局部信息综合利用不足，以及背景字典不可靠的问题。方案包括：1)构建基于低秩表示的渐进式背景字典，建立低秩表示模型，并对其优化求解得到背景部分和异常部分；2)以渐进式背景字典为基础，构建基于相似度的局部背景字典，建立协同表示模型，对其优化求解并计算得到各像素协同表示的重构残差；3)将低秩表示获得的异常部分和协同表示获得的重构残差以哈达玛积方式融合，得到最终的异常检测结果。本发明通过结合低秩表示与协同表示，能够充分考虑高光谱图像的全局‑局部信息，有效提升了高光谱异常检测性能，降低了虚警率。
-
公开(公告)号：CN118711052A
公开(公告)日：2024-09-27
申请号：CN202410728917.7
申请日：2024-06-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于曲率滤波权重双协同表示的高光谱目标检测方法，主要解决现有检测方案在复杂应用场景下背景误检率高的问题。包括：1)将高光谱图像转换到多个分数阶傅里叶域上并分别计算傅里叶熵，选择傅里叶熵最大的分数阶傅里叶域作为最优分数阶；2)将原域高光谱图像与先验目标光谱均转换到最优分数阶上；3)在最优分数阶上对待测像素的字典增加曲率滤波权重；4)构建全局协同表示和局部协同表示的双协同表示检测器；5)将待测像素输入双协同表示检测器，获取最终检测结果。本发明通过引入曲率滤波权重加强字典的利用程度，利用全局和局部协同表示的空间优势构建双协同表示检测器，有效提升了高光谱异常检测性能。
-
Patent Agency Ranking
公开(公告)号：CN117333774A
公开(公告)日：2024-01-02
申请号：CN202311370000.6
申请日：2023-10-23
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0985 , G06N3/084
Abstract: 本发明提出了一种基于深度自表示学习框架的高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)提取高光谱图像的多尺度空间特征；2)对每一个超像素块分别构建子空间复原自编码器SRAE网络模型，并针对模型设计联合损失函数；3)利用基于鲁棒性主成分分析法的交替优化方式训练模型，得到多尺度重构高光谱图像；4)对多尺度的重构图像利用RX算法进行异常得分评估，得到不同尺度初始检测结果，并对该结果进行两阶段的像素级相加和像素级相乘操作融合，获得检测结果。本发明将可靠先验知识和局部空间信息整合到自编码器模型中，提高背景的表征能力并削弱对异常的表征能力，有效提升了高光谱图像异常检测的精度。
-
公开(公告)号：CN117197665A
公开(公告)日：2023-12-08
申请号：CN202311137313.7
申请日：2023-09-05
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/58 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于低秩和稀疏先验约束自编码器的高光谱异常检测方法，主要解决现有检测方案在复杂应用场景下检测效果不佳的问题。包括：1)构建两个共享编码器的自编码器；2)建立目标函数，将高光谱图像分解成低秩成分、稀疏成分和残差成分；3)利用低秩成分和稀疏成分作为标签，分别计算两个自编码器的重构损失；4)将高光谱图像分解和自编码器训练整合到统一框架，以端到端方式联合优化；5)利用RX检测器对重构结果处理并进行融合，得到最终检测结果。本发明通过结合基于线性的低秩和稀疏模型与基于非线性的自编码器的优势，并以端到端的方式进行联合优化，避免模型陷入局部最优，有效提升了高光谱异常检测性能。
-
公开(公告)号：CN116580280A
公开(公告)日：2023-08-11
申请号：CN202310584948.5
申请日：2023-05-23
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06N3/0464 , G06N3/084 , G06V10/80 , G06V10/40 , G06V10/774 , G06V10/74
Abstract: 本发明公开了一种改进的YOLOv5目标检测系统及方法，主要解决现有检测算法在网络参数量和检测精度之间难以兼顾的问题。包括：依次级联的输入模块、主干单元、特征融合单元以及输出模块；外部数据首先进入输入模块，经处理后传输给主干单元，该单元包括扩张卷积模块和三层连续扩张卷积模块，均是在YOLOv5网络中引入扩张卷积后形成，用于提取不同尺度的特征图，并将其传送给特征融合单元，该单元采用特征金字塔FPN加上路径聚合网络PAN的结构对主干单元中获取的不同尺度的特征图进行融合处理；最后通过输出模块对融合后特征进行目标预测，输出检测结果。本发明能够在不增加检测模型参数量和计算量的同时，有效提升检测精度。
-
公开(公告)号：CN118334513A
公开(公告)日：2024-07-12
申请号：CN202410368628.0
申请日：2024-03-28
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/42 , G06V10/80 , G06V10/764 , G06V10/762
Abstract: 本发明提出了一种基于深度特征聚合的高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)将自适应聚合模型整合到自编码器网络中，构建充分利用高光谱图像的空间‑光谱信息的深度特征聚合网络模型；2)设计多重聚合分离损失函数，促使模型能够增强潜在背景特征的表征并且弱化潜在异常特征的表征，从而提高背景和异常区分能力；3)采用递进式训练策略，对构建的模型进行优化训练；4)引入马氏距离对重构误差进行评估，实现高光谱异常检测。本发明通过对多种不同地物背景的表征，为高光谱异常检测提供了一种新范式，增强了模型对背景和异常的区分能力，并有效提升了高光谱图像异常检测的精度。
-
公开(公告)号：CN116486263A
公开(公告)日：2023-07-25
申请号：CN202310463686.7
申请日：2023-04-26
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度特征和双支流孤立森林的高光谱异常检测方法，主要解决现有技术对空间和光谱信息利用不足，影响检测精度的问题。方案包括：1)对三维高光谱图像分别进行全局和局部的样本提取；2)基于全局、局部的特征，引入神经网络进行光谱特征降维和提取，得到表征光谱信息的全局样本和局部样本，并利用其分别进行孤立森林的构建和测试，产生基于光谱的检测结果；3)利用形态学滤波、高斯滤波进行空间信息挖掘，产生基于空间的检测结果；4)通过非线性操作对两部分检测结果进行融合，得到高光谱异常检测的最终结果。本发明能够更为有效地挖掘高光谱图像的光谱和空间信息，提升高光谱异常检测的检测效果。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.031 seconds)
