-
公开(公告)号：CN110517285B
公开(公告)日：2021-09-10
申请号：CN201910718847.6
申请日：2019-08-05
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于运动估计ME‑CNN网络的大场景极小目标跟踪方法，解决了无需配准利用运动参数进行极小目标跟踪的问题，实现步骤为：获取目标运动估计网络ME‑CNN的初始训练集D；构建估计目标运动的网络ME‑CNN；用目标运动参数计算网络ME‑CNN损失函数；判断是否为初始训练集；更新损失函数训练标签；得到预测目标运动位置初始模型；修正预测模型位置；用修正后的目标位置更新训练数据集，完成一帧的目标跟踪；得到遥感视频目标跟踪结果。本发明用深度学习网络ME‑CNN预测目标运动位置，避免了跟踪中大场景图像配准，超模糊目标特征提取难的问题，减小目标特征依赖性，提高了超模糊视频中目标跟踪的准确度。
-
公开(公告)号：CN108564098B
公开(公告)日：2021-09-03
申请号：CN201711188058.3
申请日：2017-11-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于散射全卷积模型的极化SAR分类方法，其步骤为：(1)对待分类的极化SAR图像进行Lee滤波；(2)将散射矩阵进行pauli分解；(3)特征矩阵归一化；(4)构造数据集；(5)构建散射全卷积网络模型；(6)训练散射全卷积模型；(7)获得测试结果。本发明通过将极化SAR图像的极化特性，散射特性和纹理特性有效的结合，保留了特征信息的完整性，提高了图像的分类精度，同时加快了训练速度。
-
公开(公告)号：CN110111346B
公开(公告)日：2020-12-08
申请号：CN201910399019.0
申请日：2019-05-14
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于视差信息的遥感图像语义分割方法，用于解决现有技术中存在的分割精度较低的技术问题，实现步骤为：获取训练样本集和测试样本集；对训练样本集进行预处理；对视差网络进行训练；对测试样本集进行视差检测；获取测试样本集的视差信息；对语义分割网络进行训练；对测试样本集进行语义检测；对初步语义分割结果进行修正；获取最终的语义分割结果。本发明对遥感图像的视差结果进行左右一致性检测LRC，再利用检测得到的视差信息对语义分割结果进行修正，并提出了一个全新的语义切块融合检测方法，显著提高了语义分割的精度。可用于地质检测、土地利用、城市规划、自动驾驶、人机交互、医疗图像识别等现实应用。
-
公开(公告)号：CN107239757B
公开(公告)日：2020-12-08
申请号：CN201710370455.6
申请日：2017-05-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度阶梯网的极化SAR影像目标检测方法，其方案是：输入待检测的极化SAR图像，对极化相干矩阵T进行Lee滤波；对滤波后的T求解得到极化协方差矩阵C；对极化协方差矩阵C进行Yamaguchi分解，构成基于像素点的特征矩阵F；对F归一化，并对归一化后的特征矩阵F1中的每个元素取块，拉成一列，构成基于图像块的特征矩阵F2；根据F2得到训练集D；使用超像素中的SLIC算法得到测试集T；构造基于深度阶梯网的目标检测模型；用训练数据集D对目标检测模型进行训练；利用训练好的目标检测模型对测试数据集T进行分类。本发明使用了深度阶梯网，仅使用少量有类标样本就获得了很高的目标检测精度，本发明可用于地物分类。
-
公开(公告)号：CN107133653B
公开(公告)日：2020-11-03
申请号：CN201710369380.X
申请日：2017-05-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度阶梯网络的高分辨SAR图像分类方法，该方法主要解决高分辨SAR图像有类标数据较少无法有效对网络进行训练的问题。其实现步骤为：输入待分类的高分辨SAR图像及其标记信息；构造训练数据集D1与测试数据集D2；对数据集D1、D2的特征进行归一化得到数据集D3、D4；构造基于深度阶梯网络的分类器模型；用训练数据集D3对网络进行训练；利用训练好的分类模型对测试数据集D4进行分类。本发明可充分利用少量有类标的训练样本，而获得较高的分类精度。
-
Patent Agency Ranking
公开(公告)号：CN111832516A
公开(公告)日：2020-10-27
申请号：CN202010708067.6
申请日：2020-07-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于无监督视频表示学习的视频行为识别方法，包括下述步骤：(1)获取训练样本集和测试样本集；(2)构建生成对抗网络模型；(3)对生成对抗网络模型进行迭代训练；(4)构建视频行为识别模型；(5)对视频行为识别模型进行迭代训练；(6)获取视频行为识别结果。本发明在构建视频行为识别模型结构时，首先构建生成对抗网络模型的结构，再将训练后的生成对抗网络的编码器及其网络参数作为视频行为识别模型结构的组成部分，解决了现有技术只利用了图像空域信息的问题和没有捕捉视频帧中的长程信息的问题，提高了基于无监督视频表示学习方法的视频行为识别准确率。
-
公开(公告)号：CN107169962B
公开(公告)日：2020-02-07
申请号：CN201710344358.X
申请日：2017-05-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于空间密度约束核模糊聚类的灰度图像快速分割方法。主要解决现有方法对含有噪声点和离群点的不均匀灰度图像不能快速准确分割的问题。其实现方案是：1)输入灰度图像，对灰度图像进行迭代加权滤波生成滤波图像；2)设置图像分割类别数和图像聚类迭代终止条件；3)随机初始化模糊聚类中心；4)统计加权图像各灰度级的像素数量；5)使用核模糊聚类算法对加权图像像素进行聚类得到灰度级隶属度矩阵；6)对灰度级隶属度矩阵去模糊化；7)为图像中的像素点加上类标，输出分割图像。本发明提高了分割速度和精度，并能在抑制图像噪声和离群值的同时，保护图像边缘细节，可用于图像目标识别和医学图像辅助分析。
-
公开(公告)号：CN106911445B
公开(公告)日：2020-01-31
申请号：CN201710121101.8
申请日：2017-03-02
Applicant: 西安电子科技大学
Abstract: 本发明属于协作传输技术领域，公开了增量AF‑OFDM协作网络多维度资源优化算法，包括：获取所有时隙内各子载波上的信道状态信息；根据多维度资源优化算法，建立以网络寿命m为目标的优化模型，计算所有时隙内各子载波上的最优功率分配以及确定传输过程中的优化变量，包括增量策略，子载波配对，中继选择；有用数据传输过程中，第一时隙，源以计算的功率在各个子载波上广播数据，中继与目的节点接收，根据增量策略，确定第二时隙的传输策略，即选择的中继以计算的功率在配对的子载波上转发信息到目的节点，或源以计算的功率在配对的子载波上给目的节点发送新数据。本发明提高了频谱利用率，有效利用了有限的能量，频谱及设备资源。
-
公开(公告)号：CN107945195B
公开(公告)日：2019-10-25
申请号：CN201711102171.5
申请日：2017-11-10
Applicant: 西安电子科技大学
Abstract: 一种基于轮廓波集成DBN的极化SAR图像变化检测方法，主要解决现有方法中极化SAR图像变化检测精度不高的问题。本发明的具体步骤如下：(1)输入同一地区不同时相的两幅极化SAR图像的两个极化相干矩阵；(2)滤除相干噪声；(3)归一化处理滤波后的极化相干矩阵；(4)提取特征矩阵F1和F2中每个元素的对角线元素；(5)对特征矩阵E1和E2进行非下采样轮廓波变换；(6)对特征矩阵进行尺度级联融合；(7)构造样本集；(8)构造轮廓波集成深度置信网络DBN变化检测模型；(9)训练轮廓波集成深度置信网络DBN变化检测模型；(10)输出变化检测结果。本发明具有对极化SAR图像变化检测结果轮廓清晰且精度高的优点。
-
公开(公告)号：CN110232738A
公开(公告)日：2019-09-13
申请号：CN201910527646.8
申请日：2019-06-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于视差图和关键点的多视图遥感图像立体重构方法，主要解决现有技术中遥感图像重构精度不高的缺陷，其实现步骤为：(1)选择图像对；(2)生成地物类别标签；(3)生成融合地物类别标签的视差图；(4)生成每个图像对的数字表面模型DSM；(5)融合每个图像对的数字表面模型DSM；(6)标记关键点；(7)优化融合的数字表面模型DSM；(8)立体重构三维模型。本发明提高了建筑物与地面类别的遥感目标的重构精度，能够自适应地满足不同地物类别标签目标的视差计算精度要求，提高了遥感图像的重构速度。
-
-
-
-
-
-
-
-
-
Search Results
253
records
(took 0.034 seconds)
