-
公开(公告)号：CN119986648A
公开(公告)日：2025-05-13
申请号：CN202510086459.6
申请日：2025-01-20
Applicant: 西南大学
IPC: G01S13/90 , G01S7/41 , G06T11/00 , G06N3/0464 , G06N3/0455 , G06N3/088 , G06F17/16
Abstract: 本发明涉及一种基于未经训练复值神经网络的稀疏轨迹SAR成像方法，包括如下步骤：构建稀疏SAR成像的基本数学模型和优化目标；设置稀疏率r并选择稀疏轨迹配置，确定合成孔径雷达的轨迹索引；控制雷达系统，采集回波信号s；将获得的回波信号s填充到预设的零矩阵中，生成稀疏信号s'，并生成掩码矩阵M；重构稀疏轨迹下稀疏SAR成像的优化目标；搭建基于U‑Net的复值神经网络Fθ；优化目标重新表述为：#imgabs0##imgabs1#通过最小化上述目标，不断调整网络参数θ，当获取最优参数#imgabs2#后，网络的输出#imgabs3#即为最优的SAR成像结果。本发明扫描时间短，数据采集量小，且稀疏采样模式与物理轨迹匹配度高，成像质量高。
-
公开(公告)号：CN103023927B
公开(公告)日：2016-03-16
申请号：CN201310009206.6
申请日：2013-01-10
Applicant: 西南大学
IPC: H04L29/06
Abstract: 本发明公开了一种稀疏表达下的基于非负矩阵分解的入侵检测方法及系统，采集网络数据和主机数据，获得原始网络数据一级审计特权程序；对网络数据主机数据预处理，生成网络特征数据、短序列向量；对数据测试矩阵非负矩阵迭代分解，并对基矩阵与权矩阵稀疏表示；利用投影矩阵对稀疏表示的权矩阵数据采样，得到高度特征化的权系数向量；利用特征向量库数据将高度特征化的权系数向量与训练数据中的特征向量匹配，判断是否符合异常特征；该入侵检测方法及系统利用非负矩阵分解数据降维，采用多散度作为度量标准，稀疏表达中的RIP条件加入到联合散度目标函数族中，以约束非负矩阵分解迭代过程，降低数据检测维度，便于入侵检测系统处理高维海量数据。
-
公开(公告)号：CN118609212A
公开(公告)日：2024-09-06
申请号：CN202410750183.2
申请日：2024-06-12
Applicant: 西南大学
IPC: G06V40/20 , G01S13/88 , G06V10/30 , G06V10/42 , G06V10/62 , G06V10/762 , G06V10/82 , G06T7/277 , G06T7/66
Abstract: 本发明涉及人体动作检测领域，尤其涉及到一种毫米波雷达的质心跟踪式人体动作识别方法，所述方法步骤包括：根据室内环境安装毫米波雷达；采集人体动作的雷达点云数据；利用空间密度聚类算法对点云数据聚类与去噪；根据点云质心模型确定人体质心的位置和速度；采用卡尔曼滤波并优化其测量误差的计算方法，实现人体质心的轨迹跟踪，再利用滑动窗口法提取轨迹数据，组合成6维特征序列；利用OpenMax‑CNN神经网络模型对不同动作进行分类检测。本发明提供的处理方法适用于多人环境，并采用开集识别技术，可以应用在日常开放的动作环境中识别未标签的人体动作行为，提高毫米波雷达人体动作识别的实用性和适应性。
-
公开(公告)号：CN111967424A
公开(公告)日：2020-11-20
申请号：CN202010879986.X
申请日：2020-08-27
Applicant: 西南大学
Abstract: 本发明提供一种基于卷积神经网络的荞麦病害识别方法，包括如下步骤：首先，采用基于MSER和CNN结合的方法对荞麦病害区域进行检测，从图像中分离出病害区域与非病害区域；然后，把病害区域图像送入基于inception结构改进以及采用基于余弦相似度卷积方式的卷积神经网络中进行训练和识别。本发明的方法能够实现精准的荞麦病害的识别。
-
公开(公告)号：CN105516206A
公开(公告)日：2016-04-20
申请号：CN201610056853.6
申请日：2016-01-28
Applicant: 西南大学
CPC classification number: H04L63/1425 , H04L41/0631 , H04L41/145
Abstract: 本发明提供的基于偏最小二乘的网络入侵检测方法，包括根据偏最小二乘回归方程建立网络数据的异常检测模型；对未标记的数据集进行属性域映射，利用所述异常检测模型对数据进行分类，获取不同类型的访问行为；本发明利用当网络遭受来外部的入侵时，入侵数据可以视为叠加在正常网络流量上的一个非线性扰动，其扰动强度受入侵时间，入侵数据流量大小的影响，通过非线性理论，建立这种网络非线性数据的异常检测模型，通过参数拟合发现异常的数据流，利用回归分析和预测理论中的偏最小二乘方法，进行入侵行为检测，并对偏最小二乘方法的收敛条件采用了Kullback Leibler散度作为正常和异常行为的判别依据，从而使网络中的入侵行为检测更加准确快速。
-
Patent Agency Ranking
公开(公告)号：CN118538428A
公开(公告)日：2024-08-23
申请号：CN202410610188.5
申请日：2024-05-16
Applicant: 西南大学
IPC: G16H50/70 , G16H50/20 , G16H10/60 , G06V10/764 , G06V10/26 , G06V10/771 , G06V10/25 , G06V10/776 , G06V10/82 , G06T7/00 , G06N3/0499 , G06N3/084
Abstract: 一种融合跨模态特征的脑卒中分类辅助方法，具体步骤为：步骤一：数据采集，收集缺血性脑卒中患者的综合医疗数据；步骤二：数据预处理，对采集的综合医疗数据进行影像数据处理、数据筛选处理和感兴趣区分割处理；步骤三：制作数据，筛选出对模型预测有帮助的特征数据；步骤四：训练生成脑卒中分类模型；步骤五：分类模型评价与优化，对分类模型通过评价指标进行评价并且在模型采用奖惩机制对分类模型性能进行迭代，逐步修改分类模型参数，提高诊断能力和准确性；步骤六：在分类模型中输入待分析数据，进行脑卒中分类并输出分类结果。
-
公开(公告)号：CN113177898B
公开(公告)日：2023-03-14
申请号：CN202110565022.2
申请日：2021-05-24
Applicant: 西南大学
IPC: G06T5/00
Abstract: 本申请公开了一种图像去雾方法、装置及一种电子设备和计算机可读存储介质，该方法包括：采集原始图像，并构建包含原始图像、无雾图像、透射率、全局大气光和噪声的大气散射模型；基于暗通道先验算法计算原始图像的初始透射率和全局大气光；基于大气散射模型、透射率、无雾图像和噪声构建加权变分正则化模型；利用初始透射率和全局大气光对加权变分正则化模型进行求解，得到无雾图像。本申请提供的图像去雾方法，基于环境中的噪声对传统的大气散射模型进行改进，并基于改进的大气散射模型构建加权变分正则化模型，该加权变分正则化模型用于估计无雾图像。由此可见，本申请提供的图像去雾方法，考虑到了环境中的噪声影响，提高了图像去雾效果。
-
公开(公告)号：CN113723291A
公开(公告)日：2021-11-30
申请号：CN202111008474.7
申请日：2021-08-31
Applicant: 西南大学
Abstract: 本发明涉及遥感图像处理技术领域，且公开了一种基于多光谱图像的坡地地物精细化分类方法，包括以下步骤：S1、使用多光谱无人机获取多种高精度多光谱遥感数据，以获得多光谱图像；S2、对所述多光谱图片进行预处理，对获取的多光谱数据进行图像重建，基于所述重建图像，获取标注所有地物的样本标签图；S3、获取标注区域的多光谱数据指数的概略特征，以及各地物之间各指数值的差异和其光谱图像纹理作为其特征项；S4、进行训练样本选取；本发明中，使用无人机多光谱遥感技术，能够精确的获取不平整地区上的地物数据以及多光谱数据，将地物的多光谱差异数据和其光谱图像纹理都作为了特性项，有效的提升了训练效果并能够进行更为精细的地物分类。
-
公开(公告)号：CN118537872A
公开(公告)日：2024-08-23
申请号：CN202410505468.X
申请日：2024-04-25
Applicant: 西南大学
IPC: G06V30/246 , G06V30/148 , G06V30/18 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 一种基于Swin Transformer东巴文检测方法，包括以下步骤：步骤一：收集东巴文字图像，建立东巴文数据集；步骤二：将东巴文字图像划分为训练集与测试集，并进行数据增强处理；步骤三：构建基于Swin Transformer东巴文检测模型；步骤四：将训练集输入步骤三中的东巴文检测模型进行训练，得到训练好的基于Swin Transformer东巴文检测模型；步骤五：将待检测的含有东巴文字的图像送入到步骤四所得到的训练好的基于Swin Transformer东巴文检测模型中，进行文本检测，输出东巴文字。
-
公开(公告)号：CN116524241A
公开(公告)日：2023-08-01
申请号：CN202310336238.0
申请日：2023-03-30
Applicant: 西南大学
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于深度学习的多发性硬化和视神经脊髓炎疾病分类方法，主要涉及医学图像分类技术领域；包括步骤：S1、采集患有多发性硬化和视神经脊髓炎疾病的两类人群的多模态核磁共振成像图像；S2、首将图像数据集分为训练集和测试集；S3、构建基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型；S4、将预处理后的训练集输入基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型中进行训练；S5、将待分类的多模态核磁共振成像图像送入到训练好的基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型中进行分类；本发明能够解决现有的MS和NMO影像分类难以自动化且识别效果差的问题。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.014 seconds)
