-
公开(公告)号：CN106203523B
公开(公告)日：2019-03-01
申请号：CN201610561589.1
申请日：2016-07-17
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于梯度提升决策树半监督算法融合的高光谱图像分类方法，用于解决现有基于主动学习与半监督学习相结合的高光谱图像分类中存在的分类精度较低的技术问题，其步骤包括：(1)输入高光谱图像数据；(2)提取样本点特征；(3)训练梯度提升决策树分类器参数；(4)对学习集中样本点分类；(5)评估样本点置信度；(6)通过稀疏表示筛选样本点；(7)更新有标记训练集；(8)输出分类结果。本发明利用分类器预测结果以及稀疏表示对无标记样本点的置信度进行评估，根据无标记样本点置信度的高低，划分为两个集合进行不同的处理，在提高分类精度的同时减轻了人工标记的负担，可用于地质调查、大气污染等领域。
-
公开(公告)号：CN109002792A
公开(公告)日：2018-12-14
申请号：CN201810763679.8
申请日：2018-07-12
Applicant: 西安电子科技大学
Abstract: 本发明提供了一种基于分层多模型度量学习的SAR图像变化检测方法，解决了传统度量不能很好衡量样本间差异信息以及易受到噪声影响的问题。实现步骤有：输入变化前后的遥感图像，构建分层多模型的测试样本；构建包含全部边界的训练样本；利用训练样本获得正负约束对；建立分层多模型获得映射矩阵，将映射矩阵进行矩阵分解；利用分解后的映射矩阵将样本映射到特征空间，在特征空间中对样本进行分类。本发明将两时相图像以及差异图作为三个通道进行分层多模型学习，不仅获得每个通道的差异信息，也获得三个通道之间的差异信息。将全部边界作为训练样本，解决了边界易错分的问题，获得对噪声鲁棒同时精度高的分类效果。用于SAR图像变化检测。
-
公开(公告)号：CN108764173A
公开(公告)日：2018-11-06
申请号：CN201810548520.4
申请日：2018-05-31
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K2009/00644 , G06N3/0454
Abstract: 本发明公开了一种基于多类生成对抗网络的高光谱图像分类方法，其步骤如下：(1)输入高光谱图像；(2)获取样本集；(3)产生训练样本与测试样本；(4)搭建多类生成对抗网络；(5)利用生成器生成样本；(6)用判别器对训练样本和生成的样本进行分类；(7)构建生成器和判别器的损失函数；(8)交替训练生成器与判别器；(9)对高光谱图像进行分类。本发明利用搭建的多类生成对抗网络，提取像元邻域的空间特征，同时生成样本来增加样本数量，增强了网络的特征提取能力，缓解了网络过拟合的问题，提高了高光谱图像分类的准确性。
-
公开(公告)号：CN108460392A
公开(公告)日：2018-08-28
申请号：CN201810193117.4
申请日：2018-03-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术无法提取合成孔径雷达SAR图像的局部特征，需要人工输入学习误差值进行测试的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化处理；(3)构建变化检测矩阵；(4)更新变化检测矩阵；(5)选择训练样本集；(6)搭建堆栈自动编码器网络；(7)训练堆栈自动编码器网络；(8)优化堆栈自动编码器网络；(9)构建概率矩阵；(10)更新概率矩阵；(11)获得变化检测图像。本发明提取了合成孔径雷达SAR图像的局部特征，提高了变化检测的精度。
-
公开(公告)号：CN107590515A
公开(公告)日：2018-01-16
申请号：CN201710827902.6
申请日：2017-09-14
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于熵率超像素分割的自编码器的高光谱图像分类方法，主要解决高光谱图像分类性能不佳的问题。实现步骤为：获取高光谱数据训练样本集和测试样本集；构建n层自编码器网络；输入训练样本集，利用损失函数对基于熵率超像素分割的自编码器网络进行训练；输入测试数据集，利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类。本发明采用的基于熵率超像素分割的自编码器的高光谱图像分类方法，考虑了空间上下文邻域信息，挖掘了数据样本的分布特性，有效地提高了高光谱图像的分类精度，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。
-
Patent Agency Ranking
公开(公告)号：CN104952051B
公开(公告)日：2017-10-24
申请号：CN201510394919.8
申请日：2015-07-07
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯混合模型的低秩图像修复方法,主要解决现有方法在图像修复中没有兼顾图像整体的低秩结构和局部的相似性，造成修复图像的模糊与失真问题。本发明将图像建模成低秩项和非局部相似性算子之和，其中：低秩项由核范数构成，用于捕捉修复图像整体的低秩结构；非局部相似性算子是基于高斯混合模型来构造，它能够根据相似图像块的统计特性来完善修复图像的局部细节。实验结果表明，与其它传统方法相比，本发明的修复结果无论在数值评价指标上还是在视觉效果上，都明显优于其它方法。可用于对具有低秩结构的受损自然图像修复。
-
公开(公告)号：CN106203523A
公开(公告)日：2016-12-07
申请号：CN201610561589.1
申请日：2016-07-17
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/623 , G06K9/6256 , G06K9/6268 , G06K2009/00644
Abstract: 本发明提出了一种基于梯度提升决策树半监督算法融合的高光谱图像分类方法，用于解决现有基于主动学习与半监督学习相结合的高光谱图像分类中存在的分类精度较低的技术问题，其步骤包括：(1)输入高光谱图像数据；(2)提取样本点特征；(3)训练梯度提升决策树分类器参数；(4)对学习集中样本点分类；(5)评估样本点置信度；(6)通过稀疏表示筛选样本点；(7)更新有标记训练集；(8)输出分类结果。本发明利用分类器预测结果以及稀疏表示对无标记样本点的置信度进行评估，根据无标记样本点置信度的高低，划分为两个集合进行不同的处理，在提高分类精度的同时减轻了人工标记的负担，可用于地质调查、大气污染等领域。
-
公开(公告)号：CN105825223A
公开(公告)日：2016-08-03
申请号：CN201610132782.3
申请日：2016-03-09
Applicant: 西安电子科技大学
CPC classification number: G06K9/6269 , G06K9/4671
Abstract: 本发明公开一种基于深度学习和度量学习的极化SAR地物分类方法，实现步骤为：(1)输入图像；(2)滤波；(3)提取特征；(4)选择训练样本和测试样本；(5)训练栈式稀疏自编码器，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器，得到分类结果；(7)对分类结果进行上色；(8)输出上色后的分类结果图。本发明用基于深度学习和度量学习的极化SAR地物分类方法对图像进行分类，对特征的提取比较全面合理，分类结果更吻合真实地物，降低了时间复杂度并提高了分类精度。
-
公开(公告)号：CN105760900A
公开(公告)日：2016-07-13
申请号：CN201610218082.6
申请日：2016-04-08
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6218
Abstract: 本发明公开了一种基于近邻传播聚类和稀疏多核学习的高光谱分类方法，主要解决现有技术对高光谱图像分类性能不佳的问题。其实现方案是：首先，利用所有波段中的训练样本构造核矩阵集合；其次，利用近邻传播方法进行聚类，选择高辨别力低冗余性的核矩阵子集；再次，利用选择的核矩阵子集，通过稀疏约束的多核学习方法，学习出核权重和支撑矢量系数；最后，利用学习到的分类器，对未知高光谱图像进行分类。本发明采用的多核学习分类方法，利用不同函数不同参数的多种核，能够处理具有多变局部分布的复杂高光谱数据，获得高精度的高光谱图像分类结果，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。
-
公开(公告)号：CN105095863A
公开(公告)日：2015-11-25
申请号：CN201510414039.2
申请日：2015-07-14
Applicant: 西安电子科技大学
IPC: G06K9/00
CPC classification number: G06K9/00342
Abstract: 本发明公开了一种基于相似性权值的半监督字典学习的人体行为识别方法，主要解决现有技术有监督方法对人体行为识别率低的问题。其识别过程为：(1)将输入的数据集划分成测试样本和训练样本；(2)对所有样本进行局部特征检测，随机选取有标签样本的局部特征得到初始化字典；(3)根据初始化字典，使用半监督方法进行字典学习；(4)使用学到的字典对所有样本进行组稀疏编码，得到每个样本的编码矩阵；(5)将每个样本的编码矩阵进行向量化得到最终表示；(6)利用每个样本的最终表示和稀疏表示分类方法对测试样本分类，完成测试样本中人体行为的识别。本发明增强了字典学习的判别性，提高了人体行为识别率，可用于视频中目标检测。
-
-
-
-
-
-
-
-
-
Search Results
160
records
(took 0.032 seconds)
