-
公开(公告)号：CN117456349B
公开(公告)日：2025-02-11
申请号：CN202311126641.7
申请日：2023-12-03
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于伪样本学习的无监督SAR与光学图像变化检测方法，通过构建伪样本直接学习变化知识，不断提高伪样本集的质量，巩固和泛化学到的知识来提高网络的可靠性。首先构建伪样本集和真实样本训练集，再构建双分支U‑Net网络，然后对网络的伪样本学习分支和真实样本学习分支分别进行训练，若干次训练后，将双时图像分别输入到网络的两个编码器中，解码器输出变化概率图，最后使用加权融合的方法融合三个概率图，再进行阈值分割，得到最终的检测二值图。本发明通过构造变化区域构建了有标签数据集用来训练网络，避免了传统无监督变化检测方法复杂的特征设计，简化了训练流程。
-
公开(公告)号：CN117456349A
公开(公告)日：2024-01-26
申请号：CN202311126641.7
申请日：2023-12-03
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于伪样本学习的无监督SAR与光学图像变化检测方法，通过构建伪样本直接学习变化知识，不断提高伪样本集的质量，巩固和泛化学到的知识来提高网络的可靠性。首先构建伪样本集和真实样本训练集，再构建双分支U‑Net网络，然后对网络的伪样本学习分支和真实样本学习分支分别进行训练，若干次训练后，将双时图像分别输入到网络的两个编码器中，解码器输出变化概率图，最后使用加权融合的方法融合三个概率图，再进行阈值分割，得到最终的检测二值图。本发明通过构造变化区域构建了有标签数据集用来训练网络，避免了传统无监督变化检测方法复杂的特征设计，简化了训练流程。
-
公开(公告)号：CN117058009A
公开(公告)日：2023-11-14
申请号：CN202310740976.1
申请日：2023-06-21
Applicant: 西北工业大学深圳研究院 , 西北工业大学
IPC: G06T5/00 , G06V10/774 , G06V10/82 , G06V10/84 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于条件扩散模型的全色锐化方法，该模型包括正向加噪过程和反向去噪过程，算法的正向加噪过程通过马尔科夫链过程逐步将训练数据加噪为高斯噪声，反向去噪过程从高斯噪声出发，通过噪声预测网络的输出，逐步去噪采样得到高分辨率的多光谱图像；本方法使用细节信息(全色图像与上采样多光谱图像的差)作为条件，引导逆向去噪过程的从高斯噪声生成全色图像和多光谱图像的融合结果。训练好的噪声预测网络通过反向马尔科夫链过程进行多轮去噪迭代，生成最终的融合结果。本发明得到的融合结果空间和光谱信息保真度高，显著提高了噪声预测的精度。
-
公开(公告)号：CN119540778A
公开(公告)日：2025-02-28
申请号：CN202411957098.X
申请日：2024-12-29
Applicant: 西北工业大学
IPC: G06V20/10 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于半监督CNN‑Transformer混合模型的多源地物分类方法，提出了一种基于transformer和卷积的半监督地物分类模型，充分利用两种骨干网络的优势，生成具有高置信度的伪标签，辅助网络进行训练，据此提出的新模型在总体准确度、平均准确度和Kappa系数上都取得了较好的实验结果，在模块中设计了多层特征融合策略，将浅层与深层特征拼接后进行融合，利用门控网络实现了不同模态特征之间的充分融合，剔除掉相似度较高的模态冗余信息，提升了模型对模态特定信息的利用效率，对模型性能的提升做出了明显的贡献。
-
公开(公告)号：CN117173701B
公开(公告)日：2024-11-05
申请号：CN202311029793.5
申请日：2023-08-14
Applicant: 西北工业大学
IPC: G06V20/70 , G06V10/26 , G06V10/774 , G06V10/778 , G06V10/762 , G06V10/764 , G06V10/77 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/091 , G06N3/096 , G06N3/0895 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于超像素特征表征学习的语义分割主动学习方法，设计一个特征提取头来提取主干网络输出的特征，输出逐像素的特征向量，通过特征存储库存储历史类别的特征向量，通过难样本挖掘技术选择对比学习中的正负样本，应用INFONCE损失使得同类间的特征向量靠近，不同类的向量远离。在样本选择方面，通过特征存储库中的向量对UMAP算法进行训练，然后经过超像素分割的未标记的图像区域的特征向量进行降维，再通过Kmeans算法进行聚类，在各个簇中根据熵值选择需要标记的超像素块，以此通过最少的标注数据达到最好的分割性能。实验表明，仅通过8％的有标记数据即可达到全标记数据的95％的性能，领先于现有的应用于语义分割的主动学习的方法。
-
Patent Agency Ranking
公开(公告)号：CN115146700B
公开(公告)日：2024-03-12
申请号：CN202210558117.6
申请日：2022-05-21
Applicant: 西北工业大学
IPC: G06F18/214 , G06F18/24 , G06N3/0455 , G01C13/00 , G01W1/14
Abstract: 本发明公开了一种基于Transformer序列到序列模型的径流预测方法，首先准备好数据集，读入数据并进行预处理，得到可用的序列数据；其次将经过预处理的数据集划分成训练集、验证集、测试集三个互斥的子集；然后构建Transformer序列到序列模型；接着定义损失函数和优化器，并训练模型；最后对训练完成的模型进行测试。数据集上的实验结果表明，相对于已有的基于数据驱动的序列到序列模型比较，本发明获得的径流预测结果具有较高的预测精度。
-
公开(公告)号：CN114841244B
公开(公告)日：2024-03-12
申请号：CN202210352519.0
申请日：2022-04-05
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于鲁棒采样和混合注意力金字塔的目标检测方法，包括步骤：基于输入图像生成的候选样本框集合设计鲁棒性训练样本采样策略，构建鲁棒性更强的正负训练样本集合；利用正负训练样本集合对全卷积目标检测网络模型进行训练，将空间注意力机制和通道注意力机制与全卷积目标检测网络模型中的金字塔特征提取模块进行融合，设计出多种结构的混合注意力特征金字塔模块；设计出由教师‑学生模型指导的基于分类分支和回归分支感知引导的修正损失函数。通过构建采用修正中心度质量评估损失函数的全卷积目标检测网络模型，在自然场景数据集和城市场景数据集上提高了检测精度，可以应用于复杂的目标检测场景中。
-
公开(公告)号：CN117610696A
公开(公告)日：2024-02-27
申请号：CN202310219093.6
申请日：2023-03-08
Applicant: 西北工业大学
Abstract: 本发明涉及一种利用不同属性跨数据集的径流预测方法，属于径流预测技术领域。首先，消除了各个国家或地区的降雨‑径流数据集的结构差异，建立具有全球性质的规范化数据集；其次，构建了一种能够利用不同属性跨数据集的Transformer，充分利用了Transformer具有的灵活归纳偏置，并且能够使用跨数据集的不同属性，非自回归式解码能够一次性得到多步预测结果。因此，所训练的径流预测模型具备全球性径流预测的先验知识，具备通用性、易于迁移学习，适用于跨数据集、少数据甚至无数据情况下的径流预测。
-
公开(公告)号：CN117094924A
公开(公告)日：2023-11-21
申请号：CN202310705419.6
申请日：2023-06-15
Applicant: 西北工业大学
IPC: G06T5/50 , G06T5/00 , G06V20/13 , G06V20/10 , G06V10/80 , G06V10/82 , G06V10/52 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/088 , G06N3/0895 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于交叉预测的多光谱与全色图像融合方法，包括交叉预测代理任务和无监督融合模块。交叉预测代理任务包含两个分支，使用全色图像P预测多光谱图像M(P2M)，使用多光谱图像M预测全色图像P(M2P)，均以自监督的方式训练，并采用条件扩散模型实现，包含正向加噪过程和反向去噪过程。训练好的两个噪声预测网络分别具备空间特征提取和光谱特征提取能力。融合模块包含注意力模块和重建模块两部分，使用无监督损失函数优化网络参数直至收敛。本发明能够提取全色图像丰富的空间细节特征和多光谱图像的光谱特征，生成更加清晰、准确的多光谱与全色图像融合结果。
-
公开(公告)号：CN116664923A
公开(公告)日：2023-08-29
申请号：CN202310572308.2
申请日：2023-05-21
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/74 , G06V10/774
Abstract: 本发明公开了一种基于类原型辅助伪标签生成的跨域图像分类方法，利用类原型来实现域自适应领域中目标域的伪标签生成，优化了伪标签生成的策略，将源域数据各类别的类平均特征作为源域全局类原型，目标域的类平均特征作为目标域全局类原型，利用所有的全局类原型与目标域样本之间的关系，赋予目标域样本伪标签，使得模型充分利用到不同层级样本之间的联系，从而提升伪标签准确率，最终实现模型泛化性能的增强。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.028 seconds)
