-
公开(公告)号：CN120014288A
公开(公告)日：2025-05-16
申请号：CN202411963075.X
申请日：2024-12-30
Applicant: 电子科技大学
IPC: G06V10/44 , G06V10/80 , G06V10/42 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/096
Abstract: 本申请公开了一种面向复杂场景信息先验的遥感图像自然语言描述生成方法，属于图像处理与分析领域。本申请所提方法包括：构建中文和英文联合的数据集；构建视觉的全局特征和局部特征；构建信息先验特征；对全局特征和局部特征的强化处理；进行多特征交叉融合；对交叉融合后的特征执行自然语言描述生成。本申请通过上述技术方案，提高了对涉及大量复杂场景的遥感图像描述的准确性。
-
公开(公告)号：CN118799887A
公开(公告)日：2024-10-18
申请号：CN202410759834.4
申请日：2024-06-13
Applicant: 电子科技大学
IPC: G06V30/19 , G06V30/18 , G06V10/82 , G06V30/146 , G06N3/0464 , G06N3/045 , G06N3/0985 , G06V10/766
Abstract: 本发明公开了一种基于元学习和文本提示的少样本目标检测方法，属于图像处理技术领域。本发明包括：对获取的图像数据进行预处理并标注以得到基类数据集再将其按照预定比例随机划分为基类的支持集和查询集；采集一定数量包括检测目标的图像数据并对其进行预处理和标注以得到新类数据集，再按照预定比例将其随机划分得到新类的支持集和查询集；基于预训练的特征提取模块对基类和新类进行特征提取；构建基于文本提示的候选框生成模块和预测头；使用基类数据集以元任务的形式对构建的网络进行训练，再使用新类数据集以元任务的形式对训练好的模块进行微调，得到用于检测新类物体的目标检测模型。本发明提升了模型适应新任务的速度，减少了模型计算量。
-
公开(公告)号：CN117830895A
公开(公告)日：2024-04-05
申请号：CN202311866985.1
申请日：2023-12-28
Applicant: 电子科技大学
IPC: G06V20/40 , G06V10/20 , G06V10/774 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种机场场面目标活动的时序标注自主生成方法，属于机场场面智能运控及计算机视觉领域。本发明包括：搜集获取公开运动目标视频数据并预处理；构建预训练的时空特征提取网络获取视频时空特征；构建弱监督目标行为检测网络生成目标活动类激活序列及活动状态序列；构建时序标注生成器自主生成时序标注；采集机场场面目标数据提取时空特征；进行迁移训练并生成初始活动标注；基于初始活动标注进行迭代推理并更新活动标注。本发明通过上述技术方案，在极少使用人力资源成本的前提下，自主学习并生成精准机场场面目标活动的时序标注，有效提高机场场面运控智能化水平。
-
公开(公告)号：CN117809037A
公开(公告)日：2024-04-02
申请号：CN202311869652.4
申请日：2023-12-29
Applicant: 电子科技大学
IPC: G06V10/26 , G06V20/17 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种无人机图像语义分割网络参数预裁剪方法，属于深度学习神经网络技术领域。本发明包括：采集无人机图像并做像素级类别标注，对原始样本集进行预处理并生成数据集；构建损失不随参数尺度变化的图像语义分割卷积神经网络并完成网络参数初始化；定义语义分割损失函数并计算损失表面的初始锐度；评估参数裁剪对初始锐度的影响并构建网络参数预裁剪的显著性指标；根据目标稀疏率和显著性指标裁剪网络参数；在训练集上优化更新裁剪后的子网络，获得最终的无人机语义分割网络模型。本发明在不需要网络训练的前提下对参数初始化后的模型进行参数裁剪，极大提高了语义分割网络模型的裁剪效率，并减小了参数裁剪对子网络的泛化性能的影响。
-
公开(公告)号：CN117765476A
公开(公告)日：2024-03-26
申请号：CN202311840043.6
申请日：2023-12-29
Applicant: 电子科技大学
IPC: G06V20/52 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种可持续学习的机场场面活动分析方法，属于机场场面智能运控及视频处理技术领域。本发明包括：采集包含场面活动的视频数据并进行人工标注；对原始视频进行预处理；构建类别增量任务序列；构建特征提取模块获取视频的时空特征；构建时序编码器，对特征序列进行编码；构建分类器，完成对场面活动的在线分析；构建下采样模块，对当前任务视频进行信息最优下采样；下采样样本前向传播，保存与任务样本特征最接近的下采样视频；根据此任务是否为最终任务决定是否终止。本发明在极少的内存消耗与算力消耗下，通过信息最优下采样与特征距离最近分类，克服了持续学习过程中出现的灾难性遗忘现象，有效提高机场场面智能化运控能力。
-
Patent Agency Ranking
公开(公告)号：CN110503112B
公开(公告)日：2023-02-03
申请号：CN201910794606.X
申请日：2019-08-27
Applicant: 电子科技大学
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种增强特征学习的小目标检测及识别方法，属于图像处理、模式识别及计算机视觉领域，解决现有技术中小目标检测与识别任务检测精度低且网络效率低的问题。本发明依次构建基础网络模块、特征提取模块、候选框产生模块和预测输出模块作为小目标检测与识别网络；基于提取小目标样本图像数据，并对提取的小目标样本图像数据进行预处理；得到预处理的小目标样本图像数据输入初始化了参数的小目标检测与识别网络中进行训练，得到训练好后的小目标检测与识别网络；将待预测的小目标图像输入已经训练好的小目标检测与识别网络，通过前向传播，实现端到端地输出小目标的预测框位置与类别信息。本发明用于小目标检测与识别。
-
公开(公告)号：CN110503053B
公开(公告)日：2022-07-08
申请号：CN201910794952.8
申请日：2019-08-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于循环卷积神经网络的人体动作识别方法，属于图像分类、模式识别与机器学习领域，解决因动作类别内部以及类别之间的变化或视频是由连续帧组成会造成人体动作识别精度低等问题。本发明构建数据集，即从公开数据集中随机选择长度相同的序列对，各序列中的每帧包括RGB图像和光流图像；构建孪生网络，孪生网络中的各网络依次包括CNN层、RNN层和Temporal Pooling层；构建“识别‑验证”联合损失函数；基于数据集训练构建好的深度卷积神经网络和“识别‑验证”联合损失函数；基于待识别的人体动作序列对，依次经过训练好的深度卷积神经网络和训练好的“识别‑验证”联合损失函数，得到序列对的动作类别识别结果。本发明用于图像中的人体动作识别。
-
公开(公告)号：CN111679270B
公开(公告)日：2022-05-03
申请号：CN202010456711.5
申请日：2020-05-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种反射点不确定场景下多路径融合目标检测算法，属于雷达技术领域。本发明以迭代的方式同时估计目标和反射点的状态，用一批数据使用滑动窗口方式用于航迹初始化。每个迭代由两个步骤组成：预测和更新。在预测阶段，通过上个时刻最后一次迭代的估计状态来预测反射点的状态，在此基础上，通过多遍网格搜索全局最优解来估计目标的状态，在更新阶段，利用更新后的目标状态来重新估计反射点状态。重复上述步骤，迭代过程基于给定的最大迭代次数或判断是否过门限，如果迭代次数达到最大迭代次数或过门限则停止迭代，输出目标位置和反射点的位置。本发明提高了目标状态估计精度，对低空小目标进行有效的检测。
-
公开(公告)号：CN109035263B
公开(公告)日：2021-10-15
申请号：CN201810921637.2
申请日：2018-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了基于卷积神经网络的脑肿瘤图像自动分割方法，包括如下步骤：采集脑肿瘤的多模态MRI图像并进行图像预处理，获得原始图像集；构建基于多模态MRI图像的脑肿瘤分割的框架；所述框架包括模块一与模块二，模块一包括以3d卷积神经网络、残差单元以及转置卷积为基础构成并行的深度反卷积神经网络；模块二包括在所述模块一中的深度反卷积神经网络结构基础上添加跳跃结构；通过若干次迭代训练，获得理想权值，并输出脑肿瘤图像的分割图；测试与评价图像分割结果。本发明有效的解决脑肿瘤分割图像分割准确率低的问题；可以提升肿瘤的可识别性，使图像预处理操作更加便捷；在分割模块中使用基于d系数的loss函数可以有效的解决类别不平衡的问题。
-
公开(公告)号：CN109242860B
公开(公告)日：2021-10-08
申请号：CN201810952440.5
申请日：2018-08-21
Applicant: 电子科技大学
Abstract: 本发明公开了基于深度学习及权重空间集成的脑肿瘤图像分割方法，包括以下步骤，S1、采集脑肿瘤的多模态MRI图像，并对采集到的多模态MRI图像进行预处理操作；S2、构建第一网络模型和第二网络模型；S3、将预处理后的多模态MRI图像输入第二网络模型，穿过权重空间，更新平均权重；对其进行训练，将训练后的权重平均值存入第一网络模型；S4、将待测试的多模态MRI图像输入至第一网络模型中，输出脑肿瘤图像分割结果。本发明中的分割方法有利于提高脑肿瘤分割结果的准确性和可靠性，并行网络可以在分割病灶的同时得到定位信息，同时融入权重空间集合的方法，提高了脑肿瘤分割的效率以及准确率。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.035 seconds)
