-
公开(公告)号：CN117809125A
公开(公告)日：2024-04-02
申请号：CN202311629946.X
申请日：2023-11-30
Applicant: 中国科学院自动化研究所 , 中国科学院数学与系统科学研究院
IPC: G06V10/771 , G06N20/00
Abstract: 本发明提供一种无监督多视角特征选择方法、装置、电子设备及存储介质，应用于特征选择技术领域。该方法包括：获取目标对象的多视角特征；通过所述多视角特征构建无监督多视角特征选择模型，并求解所述无监督多视角特征选择模型获得特征选择矩阵；根据所述特征选择矩阵确定每个特征得分，并基于所述特征得分进行特征选择。
-
公开(公告)号：CN110991418B
公开(公告)日：2023-04-28
申请号：CN201911335801.2
申请日：2019-12-23
Applicant: 中国科学院自动化研究所
IPC: G06V20/13 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种合成孔径雷达目标图像识别方法及系统，所述识别方法包括：从MSTAR数据集中，获取训练样本集和测试样本集；通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。本发明通过训练样本集对原始双流卷积神经网络进行训练，可降低参数数量，提高识别效率；基于训练好的双流卷积神经网络，对待识别目标图像进行识别，从而可准确得到待识别目标图像的类别，可提高识别的正确率。
-
公开(公告)号：CN111062445B
公开(公告)日：2023-05-19
申请号：CN201911333974.0
申请日：2019-12-23
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/77 , G06V20/10
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于协同正则化和超像素的极化SAR图像分类方法、系统、装置，旨在解决现有极化SAR图像分类方法分类精度低的问题。本系统方法包括基于获取的极化SAR图像，通过超像素生成方法得到多个超像素及其对应的相干矩阵；提取各超像素预设维度的极化特征；基于各超像素的相干矩阵、极化特征计算其与其他超像素的Wishart距离、欧式距离，并构建各超像素的第一、第二权重图；通过基于协同正则化的降维模型得到第一低维特征、第二低维特征；通过最近邻分类器得到极化SAR图像的分类结果。本发明根据像素点的空间信息，通过结合Wishart距离和极化特征，提高了极化SAR图像的分类精度。
-
公开(公告)号：CN110222793A
公开(公告)日：2019-09-10
申请号：CN201910539276.X
申请日：2019-06-20
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明涉及一种基于多视角主动学习的在线半监督分类方法及系统，所述在线半监督分类方法包括：步骤S1：获取当前时刻的多视角数据；步骤S2：基于所述多视角数据，通过多视角预测函数，估计视角数据的地物类别标签 及次大标签t表示当前时刻；步骤S3：根据所述地物类别标签 及次大标签 确定分类间隔qt；步骤S4：根据所述分类间隔qt，对分类器进行更新。本发明基于多视角主动学习的在线半监督分类方法在线获取任意时刻的多视角数据，利用分类间隔，对分类器进行更新，可提高分类效率，节省人力，实现了少量样本标注时的高精度分类。
-
公开(公告)号：CN108388907A
公开(公告)日：2018-08-10
申请号：CN201711482208.1
申请日：2017-12-29
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明属于机器学习算法和图像处理技术领域，具体涉及一种基于多视角学习的极化SAR数据分类器实时更新方法，旨在为了解决分类器不能实时更新或只能单独更新而忽略视角间一致性、互补性以致影响分类精度提升的问题，本方法包括：S1，基于t时刻的极化SAR图像，提取样本极化特征、颜色特征、纹理特征；S2，通过在线多视角分类模型，估计样本的地物类别标签；S3，根据真实地物类别标签计算损失，当损失大于零时通过拉格朗日乘子法求解所述在线多视角分类模型闭式解的方法，对分类器进行更新；S4，获取t+1时刻的极化SAR图像后，重复S1至S3，直至全部极化SAR图像处理完毕。本发明可以实现极化SAR数据在线实时分类，在线分类错误率更低。
-
Patent Agency Ranking
公开(公告)号：CN119672491A
公开(公告)日：2025-03-21
申请号：CN202411755378.2
申请日：2024-12-02
Applicant: 中国科学院自动化研究所
IPC: G06V10/82 , G06V10/774 , G06V10/44 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/088 , G06N3/096
Abstract: 本公开关于基于持续学习的无监督的缺陷检测模型的训练方法、缺陷检测方法、装置、电子设备、存储介质和计算机程序产品，包括：获取当前任务对应的产品样本图像特征；针对当前任务对应的产品样本图像特征添加特征扰动；将被添加特征扰动之后的当前任务对应的产品样本图像特征以及当前任务对应的可学习查询嵌入向量输入缺陷检测模型；基于重构图像特征和产品样本图像特征，计算损失；通过基于损失调整参数。这样，通过引入历史任务的提示信号，可以使新旧任务的查询嵌入向量尽量靠近，进而可以帮助缺陷检测模型在训练新任务的同时还能保持对旧任务的记忆，从而可以提高缺陷检测模型的抗遗忘性和在新任务上的泛化能力。
-
公开(公告)号：CN119046751A
公开(公告)日：2024-11-29
申请号：CN202411064872.4
申请日：2024-08-05
Applicant: 中国科学院自动化研究所
IPC: G06F18/241 , G06F18/211 , G06F18/2136 , G06F18/15 , G06F18/22 , G06N3/088 , G06N3/0985
Abstract: 本公开提供了一种预测方法、装置、电子设备、存储介质及程序产品。预测方法包括：对当前时刻获取的多个初始样本进行预处理，得到当前时刻的样本集Xt；基于样本集Xt、样本集Xt的投影矩阵Wt、上一时刻的样本集Xt‑1的投影矩阵Wt‑1，计算原型对比损失函数；基于样本集Xt和投影矩阵Wt，计算流形正则化项；基于原型对比损失函数和流形正则化项，计算总损失函数；基于总损失函数和投影矩阵Wt‑1，得到投影矩阵Wt，并基于投影矩阵Wt，从所有特征中选出特征子集；按照所述特征子集，对所述多个初始样本中的每个初始样本进行特征提取，并将提取到的特征值输入机器学习模型，得到针对所述每个初始样本的预测结果。
-
公开(公告)号：CN108460402B
公开(公告)日：2020-07-24
申请号：CN201810036297.5
申请日：2018-01-15
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明涉及图像处理技术领域，具体提供了一种极化SAR图像有监督分类方法及装置，旨在解决如何充分利用极化SAR的多视角特征提高图像的分类精度的技术问题。为此目的，本发明中的极化SAR图像有监督分类方法，包括下述步骤：依据训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；依据所获取的各降维映射矩阵，获取各像素点的低维特征；依据所获取的各像素点的低维特征，利用预设分类器对待分类的像素点进行分类。通过本发明可以充分利用极化SAR的多视角特征，在保持数据的结构，判别信息和视角信息的同时提取特征，提高图像的分类精度。
-
公开(公告)号：CN108460402A
公开(公告)日：2018-08-28
申请号：CN201810036297.5
申请日：2018-01-15
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明涉及图像处理技术领域，具体提供了一种极化SAR图像有监督分类方法及装置，旨在解决如何充分利用极化SAR的多视角特征提高图像的分类精度的技术问题。为此目的，本发明中的极化SAR图像有监督分类方法，包括下述步骤：依据训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；依据所获取的各降维映射矩阵，获取各像素点的低维特征；依据所获取的各像素点的低维特征，利用预设分类器对待分类的像素点进行分类。通过本发明可以充分利用极化SAR的多视角特征，在保持数据的结构，判别信息和视角信息的同时提取特征，提高图像的分类精度。
-
公开(公告)号：CN118657955A
公开(公告)日：2024-09-17
申请号：CN202410771386.X
申请日：2024-06-14
Applicant: 中国科学院自动化研究所 , 北京邮电大学 , 中国科学院数学与系统科学研究院
IPC: G06V10/44 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供一种航天器图像特征点检测方法、装置、电子设备及存储介质，属于航天器图像检测技术领域，该方法包括：获取待检测航天器图像；将所述待检测航天器图像输入至图像特征点检测模型，得到所述图像特征点检测模型输出的所述待检测航天器图像的特征点检测结果；图像特征点检测模型是根据航天器图像样本与其对应的线性变换图像，以及航天器图像样本对应的航天器特征点图像训练得到的；航天器特征点图像是通过对航天器图像样本进行特征点提取，并对特征点提取结果进行背景特征点去除所得到的。本发明可以有效减少空间背景对航天器目标特征点检测的干扰，且不需要人工标注特征点，省时省力，大大提升了航天器图像特征点检测的精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.023 seconds)
