-
公开(公告)号：CN105205491A
公开(公告)日：2015-12-30
申请号：CN201510512066.3
申请日：2015-08-19
Applicant: 西安电子科技大学
CPC classification number: G06K9/6269 , G06K9/66
Abstract: 本发明公开了一种基于极限学习机的极化SAR图像分类方法，主要解决极化SAR图像分类的时间效率低的问题。其实现步骤为：输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，并从数据集中获得标记集；将标记集划分成训练集和测试集，并用训练集训练极限学习机；利用训练好的极限学习机去预测数据集的类别，得到极化SAR图像分类结果。本发明应用极限学习机进行极化SAR图像分类，分类精度较高，同时运行时间少，可用于地物分类与目标识别。
-
公开(公告)号：CN102867331A
公开(公告)日：2013-01-09
申请号：CN201210316717.8
申请日：2012-08-31
Applicant: 电子科技大学
Abstract: 本发明提供一种面向GPU的大规模地形快速绘制方法，包括：生成原始地形的外存文件；其中，外存文件中存储有包含原始地形数据的多个地形块、每个地形块的索引编号以及与地形块相对应的压缩纹理块，地形数据包括纹理数据和高程数据；根据预设视点参数确定地形的LOD层次分布，建立地形四叉树结构，遍历地形四叉树结构为不同的LOD层次细节选择相应的四叉树节点，将选中的四叉树节点添加到渲染调度队列；其中，地形四叉树结构的各个节点对应于外存文件中的相应压缩地形块，用于存储相应压缩地形块的LOD层次及高程数据；从渲染调度队列获取将被调度的节点，并对将被高度的节点进行渲染，完成对原始地形的绘制。
-
公开(公告)号：CN117930261A
公开(公告)日：2024-04-26
申请号：CN202410064157.4
申请日：2024-01-15
Applicant: 电子科技大学
Abstract: 该发明公开了一种FMCW激光雷达测速测距方法，涉及FMCW激光雷达测速测距以及压缩感知技术领域。本发明基于FMCW测速测距差频信号频域稀疏的特点,引入了CRT采样结构采样与MWC采样结构采样，有效的降低了差频信号的采样率与数据计算量，且相较于仅MWC采样结构采样，提高了在低信噪比与较少MWC采样通道数时的差频信号的频率估计准确率，并进一步降低了数据的计算量；基于FMCW测速测距差频信号时域上的特点，使用分频的方法将上下扫频频率分开，降低了差频信号在频域上的稀疏度，在减少采样结构通道数的情况下能够完成差频信号上下扫频的频率估计，进一步完成待测目标的速度和距离的估计。
-
公开(公告)号：CN105069481A
公开(公告)日：2015-11-18
申请号：CN201510512625.0
申请日：2015-08-19
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256
Abstract: 本发明方法公开了一种基于空间金字塔稀疏编码的自然场景多标记分类方法，主要解决现有分类方法对自然场景描述不够完全和分类正确率较低的问题。其实现步骤是：建立自然场景图像多标记类别库；提取它的尺度不变特征SIFT生成稀疏字典D；用稀疏字典对图像进行字典映射，并用空间金字塔和稀疏编码生成多尺度稀疏向量；用多分类支持矢量机分类结果校正排序支持矢量机分类结果，得到自然场景图像的最终分类结果。本发明采用了多尺度特征、稀疏编码和多标记分类方法，提取了图像的局部信息，丰富了图像的特征信息，对自然场景描述的更为完全，提高了自然场景的分类精度和鲁棒性，可用于自然场景匹配、分类和识别。
-
Patent Agency Ranking
公开(公告)号：CN105069481B
公开(公告)日：2018-05-25
申请号：CN201510512625.0
申请日：2015-08-19
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明方法公开了一种基于空间金字塔稀疏编码的自然场景多标记分类方法，主要解决现有分类方法对自然场景描述不够完全和分类正确率较低的问题。其实现步骤是：建立自然场景图像多标记类别库；提取它的尺度不变特征SIFT生成稀疏字典D；用稀疏字典对图像进行字典映射，并用空间金字塔和稀疏编码生成多尺度稀疏向量；用多分类支持矢量机分类结果校正排序支持矢量机分类结果，得到自然场景图像的最终分类结果。本发明采用了多尺度特征、稀疏编码和多标记分类方法，提取了图像的局部信息，丰富了图像的特征信息，对自然场景描述的更为完全，提高了自然场景的分类精度和鲁棒性，可用于自然场景匹配、分类和识别。
-
公开(公告)号：CN105069479A
公开(公告)日：2015-11-18
申请号：CN201510512069.7
申请日：2015-08-19
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/627 , G06K9/6256
Abstract: 本发明公开了一种基于在线序列极限学习机的极化SAR图像分类方法，主要解决极化SAR图像分类的训练时间长和内存消耗大的问题。其实现步骤为：1.输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；2.提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，再从数据集中获得标记集；3.将标记集划分成初始训练集和在线训练集；4.用训练集进行初始阶段学习，并用初始阶段学习到的模型对极化SAR图像进行初始分类；5.通过迭代对训练集进行在线学习，用在线阶段学习到的模型对极化SAR图像进行最终分类。本发明能处理增量的训练数据，获得较高的分类精度，减少训练时间和内存消耗，可用于地物分类和目标识别。
-
公开(公告)号：CN118095385A
公开(公告)日：2024-05-28
申请号：CN202410292924.7
申请日：2024-03-14
Applicant: 电子科技大学
IPC: G06N3/063 , G06N3/0464 , G06N5/04
Abstract: 本发明公开了一种点云目标检测算法的硬件加速系统，属于数据处理领域，特别是点云目标检测方法领域。本发明采用了流水线与并行计算技术，相比于CPU完成点云体素化与特征扩展，本方案具有更快的处理速度与极低的功耗。点云具有稀疏性，即在目标检测区域内的大部分Pillar里没有点云，因此本方案只为非空Pillar在存储器内分配了存储空间，大大减少了占用的存储器资源。通过编号表与信息表的结合，可以在信息表内只保存非空Pillar的信息，因此使用的片上SRAM资源也很少。本发明使用的计算阵列针对点云目标检测算法进行了优化设计，其PE利用率高、计算效率高、功耗低。综上，本方案实现点云目标检测算法的相关计算时具有速度快、功耗低、硬件资源开销少的优势。
-
公开(公告)号：CN105069480B
公开(公告)日：2018-04-17
申请号：CN201510512624.6
申请日：2015-08-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于高斯滤波和PSO的极化SAR地物分类方法，主要解决了现有基于单像素点分类方法的分类精度低的问题。其实现步骤为：先输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造类别图；再将类别图分成子类别图，对每幅子类别图构建目标函数，将其通过PSO算法优化获得最优方差，用最优方差构建高斯滤波器；之后对子类别图进行高斯滤波，得到每幅子图的分类结果；最后将每幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。本发明提高了极化SAR地物分类的精度，可用于地物分类与目标识别。
-
公开(公告)号：CN105069480A
公开(公告)日：2015-11-18
申请号：CN201510512624.6
申请日：2015-08-19
Applicant: 西安电子科技大学
CPC classification number: G06K9/6267 , G06K9/66 , G06T5/00 , G06T2207/10044 , G06T2207/20172
Abstract: 本发明公开了一种基于高斯滤波和PSO的极化SAR地物分类方法，主要解决了现有基于单像素点分类方法的分类精度低的问题。其实现步骤为：先输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造类别图；再将类别图分成子类别图，对每幅子类别图构建目标函数，将其通过PSO算法优化获得最优方差，用最优方差构建高斯滤波器；之后对子类别图进行高斯滤波，得到每幅子图的分类结果；最后将每幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。本发明提高了极化SAR地物分类的精度，可用于地物分类与目标识别。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
