-
公开(公告)号：CN116310510B
公开(公告)日：2025-05-09
申请号：CN202310095139.8
申请日：2023-02-08
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/40 , G06V10/58 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于小样本深度学习的高光谱图像分类方法，包括：获取源域高光谱图像集和目标域高光谱图像集；以经填充处理后的源域高光谱图像和目标域高光谱图像的每个像素点为中心提取若干第一图像块和若干第二图像块；在每个类别中，随机选出部分第一图像块组成源域支持集以及部分第一图像块组成源域查询集，随机选出部分第二图像块组成目标域支持集以及部分第一图像块组成目标域查询集；利用支持集、查询集对小样本谱空特征提取卷积神经网络进行训练，得到训练好的网络；将待分类的高光谱图像输入至训练好的小样本谱空特征提取卷积神经网络，得到分类结果。本发明能够提高分类精度且能够更深层次的提取高光谱图像中所包含的空间信息。
-
公开(公告)号：CN116310510A
公开(公告)日：2023-06-23
申请号：CN202310095139.8
申请日：2023-02-08
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/40 , G06V10/58 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于小样本深度学习的高光谱图像分类方法，包括：获取源域高光谱图像集和目标域高光谱图像集；以经填充处理后的源域高光谱图像和目标域高光谱图像的每个像素点为中心提取若干第一图像块和若干第二图像块；在每个类别中，随机选出部分第一图像块组成源域支持集以及部分第一图像块组成源域查询集，随机选出部分第二图像块组成目标域支持集以及部分第一图像块组成目标域查询集；利用支持集、查询集对小样本谱空特征提取卷积神经网络进行训练，得到训练好的网络；将待分类的高光谱图像输入至训练好的小样本谱空特征提取卷积神经网络，得到分类结果。本发明能够提高分类精度且能够更深层次的提取高光谱图像中所包含的空间信息。
-
公开(公告)号：CN113315972B
公开(公告)日：2022-04-19
申请号：CN202110543408.3
申请日：2021-05-19
Applicant: 西安电子科技大学
IPC: H04N19/169 , H04N19/90 , H04N19/91 , H04N21/234 , H04N21/44 , G06F40/30
Abstract: 本发明提出一种基于层级知识表达的视频语义通信方法，主要以解决现有技术中存在的语义提取不完整、语义表征能力不足及语义描述冗余的问题。其实现方案是：构建由多层级信号感知网络、语义抽象网络、语义重构网络和视频重构网络构成的层级知识库；采集待传输视频信号；基于层级知识库中信号感知网络和语义抽象网络提取视频信号的结构化语义特征，并通过超窄带信道进行传输；根据结构化语义特征利用层级知识库中的语义重构网络和信号重构网络重构出视频信号。本发明通过挖掘不同尺度的语义特征，使用结构化数据结构表征语义，不仅提高了语义提取的完整度，而且提升了语义表征能力和通信带宽利用率，可用于线上会议、人机交互、智能物联网。
-
公开(公告)号：CN113315972A
公开(公告)日：2021-08-27
申请号：CN202110543408.3
申请日：2021-05-19
Applicant: 西安电子科技大学
IPC: H04N19/169 , H04N19/90 , H04N19/91 , H04N21/234 , H04N21/44 , G06F40/30
Abstract: 本发明提出一种基于层级知识表达的视频语义通信方法，主要以解决现有技术中存在的语义提取不完整、语义表征能力不足及语义描述冗余的问题。其实现方案是：构建由多层级信号感知网络、语义抽象网络、语义重构网络和视频重构网络构成的层级知识库；采集待传输视频信号；基于层级知识库中信号感知网络和语义抽象网络提取视频信号的结构化语义特征，并通过超窄带信道进行传输；根据结构化语义特征利用层级知识库中的语义重构网络和信号重构网络重构出视频信号。本发明通过挖掘不同尺度的语义特征，使用结构化数据结构表征语义，不仅提高了语义提取的完整度，而且提升了语义表征能力和通信带宽利用率，可用于线上会议、人机交互、智能物联网。
-
公开(公告)号：CN110321867A
公开(公告)日：2019-10-11
申请号：CN201910616951.4
申请日：2019-07-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于部件约束网络的遮挡目标检测方法，通过在目标检测网络中融入遮挡目标的部件特征，克服了现有技术都是基于对遮挡目标的全局特征进行学习，并没有关注到遮挡目标部件特征的学习的缺点。本发明实现的步骤是：(1)构建部件库；(2)生成训练样本集和测试集；(3)构建部件约束网络；(4)构建全局网络；(5)训练部件约束网络和全局网络；(6)对测试样本集进行检测识别。本发明具有在目标位置预测准确率更高、解决遮挡目标检测识别问题的优点，可用于自然图像的中的目标检测识别。
-
Patent Agency Ranking
公开(公告)号：CN110059741A
公开(公告)日：2019-07-26
申请号：CN201910298278.4
申请日：2019-04-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于语义胶囊融合网络的图像识别方法，通过将神经网络与图像语义信息进行融合，解决了现有技术中神经网络依赖大量样本训练、网络结构复杂、可解释性差、空占度高，能耗高的问题。实现的步骤是：获取待识别图像；获得训练样本集和测试样本集；语义胶囊网络模块搭建；卷积神经网络模块搭建；将语义胶囊网络模块和卷积神经网络模块融合成语义胶囊融合网络；训练语义胶囊融合网络；语义胶囊融合网络性能测试。本发明提出了语义胶囊的概念，设计了语义胶囊融合网络。本发明具有在少量训练样本上识别准确率更高、网络参数量更少、网络可解释性强、能耗更低的优点。可用于大量简单图像的识别处理。
-
公开(公告)号：CN112052755B
公开(公告)日：2023-06-02
申请号：CN202010854614.1
申请日：2020-08-24
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种多路注意力机制的语义卷积高光谱图像分类方法，主要解决现有技术对提取特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余的问题。其方案是：1)输入高光谱图像，生成样本数不同的训练样本集和测试样本集；2)构建多路注意力机制的语义卷积神经网络；3)将训练样本集分次输入到多路注意力机制的语义卷积神经网络，利用随机梯度下降法对该网络进行训练，直到focal loss损失函数收敛；4)将测试样本输入到训练好的多路注意力机制的语义卷积神经网络得到分类结果。本发明能在少训练样本下获得高准确率的分类，可用于对高光谱图像的地物种类探测。
-
公开(公告)号：CN113920323B
公开(公告)日：2023-04-07
申请号：CN202111368146.8
申请日：2021-11-18
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/764 , G06N3/047 , G06N3/0464 , G06N3/08 , G06T3/40
Abstract: 本发明公开了一种基于语义图注意力网络的不同混乱度高光谱图像分类方法，用于解决在少样本训练网络的情况下不同混乱度高光谱图像分类精度不高，以及谱‑空‑图语义特征丢失的问题。本发明的具体方案是：1)输入高光谱图像，生成样本数不同的训练样本集和测试样本集；2)构建语义图注意力网络；3)将训练样本集分次输入到语义图注意力网络，利用随机梯度下降法对该网络进行训练，直到focalloss损失函数收敛为止；4)将测试样本输入到训练好的语义图注意力网络得到分类结果。本发明能在少训练样本下获得高准确率的分类，可用于对不同混乱度高光谱图像的地物种类探测。
-
公开(公告)号：CN111639587B
公开(公告)日：2023-03-24
申请号：CN202010461596.0
申请日：2020-05-27
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/10 , G06V10/46 , G06V10/82 , G06F18/25 , G06V10/52 , G06V10/58 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多尺度谱空卷积神经网络的高光谱图像分类方法，主要解决现有技术在谱间特征提取和空间特征提取时仅提取单一尺度特征的缺点和对于样本分布不集中或样本量很少的地物类别分类效果差的问题。其实现方案是：1)输入高光谱图像，生成样本数不同的训练样本集和测试样本集；2)构建多尺度谱空卷积神经网络；3)将训练集输入到多尺度谱空卷积神经网络获得预测类别，用预测类别和真实标签计算铰链交叉熵损失，利用随机梯度下降法对该网络进行训练，直到铰链交叉熵损失收敛；4)将测试样本输入到训练好的多尺度谱空卷积神经网络得到分类结果。本发明能在少训练样本下获得高准确率的分类，可用于对高光谱图像的地物种类探测。
-
公开(公告)号：CN110321867B
公开(公告)日：2022-03-04
申请号：CN201910616951.4
申请日：2019-07-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于部件约束网络的遮挡目标检测方法，通过在目标检测网络中融入遮挡目标的部件特征，克服了现有技术都是基于对遮挡目标的全局特征进行学习，并没有关注到遮挡目标部件特征的学习的缺点。本发明实现的步骤是：(1)构建部件库；(2)生成训练样本集和测试集；(3)构建部件约束网络；(4)构建全局网络；(5)训练部件约束网络和全局网络；(6)对测试样本集进行检测识别。本发明具有在目标位置预测准确率更高、解决遮挡目标检测识别问题的优点，可用于自然图像的中的目标检测识别。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.029 seconds)
