-
公开(公告)号：CN107748895B
公开(公告)日：2021-06-25
申请号：CN201711028874.8
申请日：2017-10-29
Applicant: 北京工业大学
Abstract: 本发明公开了基于DCT‑CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT‑CNN网络模型；将训练集的DCT系数输入到改进的DCT‑CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。
-
公开(公告)号：CN106529574B
公开(公告)日：2019-09-27
申请号：CN201610905525.9
申请日：2016-10-17
Applicant: 北京工业大学
Abstract: 基于稀疏自动编码器和支持向量机的图像分类方法，包括以下步骤：获取训练图像集和测试图像集；构建多隐含层的深度稀疏自动编码器，对深度稀疏自动编码器进行训练，直到满足训练条件。将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；将训练图像特征集作为训练样本对支持向量机分类器进行训练，达到支持向量机最优分类性能；将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。本发明有效的提高了图像的分类准确率，具有良好的泛化能力和适用范围。
-
公开(公告)号：CN107909008A
公开(公告)日：2018-04-13
申请号：CN201711028863.X
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/00718 , G06K9/6262 , G06N3/0454
Abstract: 本发明公开了基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法，获取跟踪目标的前几帧视频图像；通过PCA对图像进行预处理,得到降维后的图像；对处理后的图像在H、S、I三通道进行PCA学习；再将各通道经过PCA处理的特征向量来初始化CNN结构中的卷积核，建立多通道卷积神经网络来学习图像三个通道的特征，获得目标的深层次表达；最后，利用粒子群优化算法优化粒子滤波重采样后的粒子集，提高了标准粒子滤波算法的跟踪性能。本发明有效的提高了视频目标跟踪的性能，能更好地适应复杂多变的环境，在此类视频序列上表现出非常好的鲁棒性。
-
公开(公告)号：CN107798329A
公开(公告)日：2018-03-13
申请号：CN201711042140.5
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/4609 , G06K9/6269 , G06N3/0454 , H04N5/232 , H04N7/18
Abstract: 本发明公开了基于CNN的自适应粒子滤波目标跟踪方法，方法包括以下步骤：获取跟踪目标的前几帧视频图像；通过卷积神经网络来提取跟踪目标的深度特征，获得目标的深层次表达；基于仿射变换构建候选模板库，采用粒子滤波跟踪算法，将预测结果与候选模版库中的模板进行匹配，确定新的目标模版并自适应更新候选模板库，确定当前目标状态实现跟踪。本发明有效的提高了视频目标跟踪的性能，能够在遮挡、光照、尺度变化和目标快速运动的条件下稳定地跟踪目标，具有更高的目标跟踪精度和更强的鲁棒性。
-
公开(公告)号：CN107748895A
公开(公告)日：2018-03-02
申请号：CN201711028874.8
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/6256 , G06K9/6267 , G06N3/0454
Abstract: 本发明公开了基于DCT-CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT-CNN网络模型；将训练集的DCT系数输入到改进的DCT-CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN107016371A
公开(公告)日：2017-08-04
申请号：CN201710230576.0
申请日：2017-04-09
Applicant: 北京工业大学
Abstract: 本发明公开了基于改进的深度置信网络的无人机着陆地貌分类方法，采用了多隐含层的深度置信网络来进行特征学习。然后根据提出的特征权值结合法对每层隐含层得到的特征集分配一个特征权值，最后，每个特征集和相应的权值结合成一个新的待分类图像特征集，新特征集具有图像的深层特征信息，具有较高的特征识别力。针对支持向量机的分类性能易受到参数、核函数等因素的影响，采用粒子群算法优化支持向量机，粒子群算法能在较短时间内搜索到全局最优的点，即能达到支持向量机最优分类性能的参数。本发明能自动地提取图像深层抽象特征，提高了特征识别力，有效的提高了地貌图像的分类准确率，具有良好的泛化能力和适用范围。
-
公开(公告)号：CN109344898A
公开(公告)日：2019-02-15
申请号：CN201811157807.0
申请日：2018-09-30
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开了基于稀疏编码预训练的卷积神经网络图像分类方法，首先对训练样本进行非下采样Contourlet变换，选取前两层分解图像来扩充训练样本，然后随机选择图像采用SC算法学习其局部特征，并将特征按照灰度平均梯度从大到小进行排序，最后选择灰度平均梯度较大的特征值对CNN卷积核初始化。采用SC算法学习到原图像具有统计特性的特征对CNN卷积核初始化，获得比传统底层视觉特征更好的分类效果，有效避免了网络训练陷入局部最优；综合高、低频子带对不同场景的识别优势，在训练样本有限的情况下，有效的提高了图像分类准确率，具有良好的泛化能力和适用范围。
-
公开(公告)号：CN107766828A
公开(公告)日：2018-03-06
申请号：CN201711032448.1
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/0063 , G06K9/6269
Abstract: 本发明公开了基于小波卷积神经网络的无人机着陆地貌分类方法，本方法采用小波卷积神经网络来进行特征学习。然后根据提出的特征权值结合法对每层隐含层得到的特征集分配一个特征权值，最后，每个特征集和相应的权值结合成一个新的待分类图像特征集，新特征集具有图像的深层特征信息，具有较高的特征识别力。针对支持向量机的分类性能易受到参数、核函数等因素的影响，采用粒子群算法优化支持向量机，粒子群算法能在较短时间内搜索到全局最优的点，即能达到支持向量机最优分类性能的参数。仿真实验表明，本发明能自动地提取图像深层抽象特征，提高了特征识别力，有效的提高了地貌图像的分类准确率，具有良好的泛化能力和适用范围。
-
公开(公告)号：CN107918772B
公开(公告)日：2021-04-30
申请号：CN201711300706.X
申请日：2017-12-10
Applicant: 北京工业大学
Abstract: 本发明公开了基于压缩感知理论和gcForest的目标跟踪方法，包括以下步骤：获取跟踪目标的初始帧视频图像；提取正、负样本图像片并进行多尺度变换得到多维向量；通过gcForest网络来提取跟踪目标的深层次特征，获得目标的深层次表达；采用压缩感知理论对其特征进行降维，得到最终特征表达并训练分类器；下一帧图像在上一帧的目标位置周围采样n个窗口，使用前一帧训练好的分类器进行分类，得到分类分数最大的窗口即为跟踪目标，并以此来更新分类器参数。本发明有效的提高了视频目标跟踪的精度性，能够在复杂条件下稳定地跟踪目标，同时因计算量的减少，有效的提高了目标跟踪的实时性。
-
公开(公告)号：CN107798329B
公开(公告)日：2021-04-30
申请号：CN201711042140.5
申请日：2017-10-29
Applicant: 北京工业大学
Abstract: 本发明公开了基于CNN的自适应粒子滤波目标跟踪方法，方法包括以下步骤：获取跟踪目标的前几帧视频图像；通过卷积神经网络来提取跟踪目标的深度特征，获得目标的深层次表达；基于仿射变换构建候选模板库，采用粒子滤波跟踪算法，将预测结果与候选模版库中的模板进行匹配，确定新的目标模版并自适应更新候选模板库，确定当前目标状态实现跟踪。本发明有效的提高了视频目标跟踪的性能，能够在遮挡、光照、尺度变化和目标快速运动的条件下稳定地跟踪目标，具有更高的目标跟踪精度和更强的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
