-
公开(公告)号：CN118657199A
公开(公告)日：2024-09-17
申请号：CN202410845592.0
申请日：2024-06-27
Applicant: 西北工业大学
IPC: G06N5/01 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N5/04 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于迭代式重参数化和网络架构搜索的模型构建方法，首先扩展基线网络，得到能够重参数化合并的多分支网络；接下来对扩展后的基线网络进行训练；然后利用网络架构搜索的方法对训练得到的分支网络进行选择；之后将搜索得到的分支网络利用结构重参数化的方法合并；最终判断是否需要继续训练；如果网络精度在连续5轮训练之内没有提升就结束，否则继续重复。本发明能够解决多分支网络训练时最终效果趋同的问题，从而最大程度的将精度提升与结构重参数化保留模型原本结构的特点结合起来，增强其实用性。
-
公开(公告)号：CN109754017B
公开(公告)日：2022-05-10
申请号：CN201910018924.7
申请日：2019-01-09
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于可分离的三维残差网络和迁移学习高光谱图像分类方法，首先，设计参数量较少的且适于高光谱图像特点的三维卷积网络。其次，设计不同传感器获取的高光谱图像间的迁移技术和三维卷积网络模型相结合，实现小样本条件下的高光谱图像高精度分类。实现了小样本条件下，高光谱图像深度特征的自主提取，高精度的分类。本发明与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。
-
Patent Agency Ranking
公开(公告)号：CN109784347B
公开(公告)日：2022-04-26
申请号：CN201811544066.1
申请日：2018-12-17
Applicant: 西北工业大学
IPC: G06V10/46 , G06V10/774 , G06V10/764 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法，通过使用稠密连接机制构建多尺度稠密卷积神经网络，稠密链接机制能够有效的缓解梯度消失问题，加强了特征传播，鼓励特征复用以及极大地减少了参数数量，降低了网络训练过程中对训练样本的需求；此外网络并结合谱注意力机制，对谱方向的特征利用更加有效。本发明实现了小样本条件下，高光谱图像深度特征的自主提取，高精度的分类。本发明与现有的基于深度学习的高光谱图像分类方法相比，样本需求量更小，精度更高。
-
公开(公告)号：CN109754017A
公开(公告)日：2019-05-14
申请号：CN201910018924.7
申请日：2019-01-09
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于可分离的三维残差网络和迁移学习高光谱图像分类方法，首先，设计参数量较少的且适于高光谱图像特点的三维卷积网络。其次，设计不同传感器获取的高光谱图像间的迁移技术和三维卷积网络模型相结合，实现小样本条件下的高光谱图像高精度分类。实现了小样本条件下，高光谱图像深度特征的自主提取，高精度的分类。本发明与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。
-
公开(公告)号：CN105320965B
公开(公告)日：2018-11-30
申请号：CN201510697372.9
申请日：2015-10-23
Applicant: 西北工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，将传统的应用在二维图像上的深度卷积神经网络引入到三维高光谱图像分类问题中来。首先，利用少量标签数据，训练卷积神经网络，并利用该网络自主提取高光谱图像的空谱特征，不需要任何压缩降维的处理；然后，利用提取到的空谱特征训练支持向量机(SVM)分类器，对图像进行分类；最后，结合已训练好的神经网络和训练好的分类器，神经网络提取待分类目标的空谱特征，分类器确定提取出的空谱特征的具体类别，得到一个能够自主提取高光谱图像的空谱特征并对其进行分类的结构(DCNN‑SVM)，从而形成一套高光谱图像分类的方法。
-
公开(公告)号：CN106845381A
公开(公告)日：2017-06-13
申请号：CN201710027459.4
申请日：2017-01-16
Applicant: 西北工业大学
Inventor： 李映 , 张号逵 , 其他发明人请求不公开姓名
CPC classification number: G06K9/0063 , G06K2009/00644 , G06N3/084
Abstract: 本发明涉及一种基于双通道卷积神经网络(Dual Channel Convolutional Neural Network，DC‑CNN)的空谱联合的高光谱图像分类方法，针对高光谱图像数据为三维结构的特点，采用一维卷积网络(1D‑CNN)通道和二维卷积网络(2D‑CNN)通道相结合的方式，提取空谱特征完成高光谱图像的空谱联合分类。针对高光谱图像人工标记数据较少的问题，采用适合高光谱图像的数据扩充方法，增加训练样本的规模，提高卷积网络的训练效率，减少过拟合问题。
-
公开(公告)号：CN104156722A
公开(公告)日：2014-11-19
申请号：CN201410400563.X
申请日：2014-08-14
Applicant: 西北工业大学
IPC: G06K9/46
Abstract: 本发明涉及一种基于高分辨遥感图像的机场目标检测方法，利用soblel算子进行边缘检测提取图像边缘；对图像边缘进行筛选只留下近似直线的边缘，并利用基于这些边缘区域的自适应多尺度Beamlet变化检测出其中平行的长直线，作为跑道候选特征；以机场的先验知识在候选特征集中筛选出机场特征；分别向上，向下平移特征线得到三条特征线，对这三条特征线边筛选得到灰度变换均匀的特征线，选取灰度变换均匀的特征线里边平均灰度值最大的特征线，作为种子线，以种子线上的像素点为种子点进行区域生长提取机场目标，可以较大地提高机场目标的检测精度。
-
-
-
-
-
-
Search Results
27
records
(took 0.021 seconds)
