-
公开(公告)号：CN112053386A
公开(公告)日：2020-12-08
申请号：CN202010896617.1
申请日：2020-08-31
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度卷积特征自适应集成的目标跟踪方法，其步骤如下：提取深度卷积特征；计算核相关滤波器；使用集成矢量更新公式更新当前帧的集成矢量；利用自适应集成计算公式预测当前帧图像的目标位置；使用深度卷积特征更新公式，更新当前帧的深度卷积特征；将选完含有待跟踪目标视频图像序列迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。本发明通过集成特征，克服了现有技术存在的跟踪器不能充分利用不同通道目标特征包含的信息，使得本发明在目标跟踪过程中更加准确地获取待跟踪目标位置，增强了目标跟踪的准确性和可靠性。
-
公开(公告)号：CN116774166A
公开(公告)日：2023-09-19
申请号：CN202310547452.0
申请日：2023-05-15
Applicant: 西安电子科技大学
IPC: G01S7/38
Abstract: 本发明公开了一种基于电磁散射的背景欺骗式干扰方法，包括：确定用于作为背景对目标区域进行干扰的地形区域；对地形区域进行采样，获得采样点的高程信息；将地形区域作为面元后，基于采样点将该面元划分为多个子面元，并利用小斜率近似法和高程信息计算每个子面元的电磁散射系数；基于每个子面元的电磁散射系数，得到地形区域的电磁散射系数σ假；根据地形区域的电磁散射系数σ假和目标区域的电磁散射系数σ真生成欺骗式干扰场景的电磁散射系数σ总；基于欺骗式干扰场景的电磁散射系数σ总生成干扰回波信号后，将干扰回波信号发送至敌方SAR平台形成干扰。本发明提高了干扰的实时性和干扰背景的逼真度以及多样性，可以应用于对SAR的欺骗式干扰中。
-
公开(公告)号：CN111832650B
公开(公告)日：2023-08-01
申请号：CN202010672056.7
申请日：2020-07-14
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于生成对抗网络局部聚合编码半监督的图像分类方法，具体实现步骤为：(1)生成训练集；(2)构建生成器网络；(3)训练生成器网络；(4)构建局部聚合编码半监督分类网络；(5)训练局部聚合编码半监督分类网络；(6)判断局部聚合编码半监督分类网络的当前损失值是否接近0.5，若是，执行步骤(7)，否则，执行步骤(3)；(7)得到生成对抗网络；(8)对待分类图像进行分类。本发明通过构建局部聚合编码半监督分类网络，降低了网络复杂度，提高了对类别间特征的辨识度，能够在只含有少量精确标注样本的样本集上获得很好的分类效果。
-
公开(公告)号：CN112053386B
公开(公告)日：2023-04-18
申请号：CN202010896617.1
申请日：2020-08-31
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度卷积特征自适应集成的目标跟踪方法，其步骤如下：提取深度卷积特征；计算核相关滤波器；使用集成矢量更新公式更新当前帧的集成矢量；利用自适应集成计算公式预测当前帧图像的目标位置；使用深度卷积特征更新公式，更新当前帧的深度卷积特征；将选完含有待跟踪目标视频图像序列迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。本发明通过集成特征，克服了现有技术存在的跟踪器不能充分利用不同通道目标特征包含的信息，使得本发明在目标跟踪过程中更加准确地获取待跟踪目标位置，增强了目标跟踪的准确性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN112053384B
公开(公告)日：2022-12-02
申请号：CN202010883760.7
申请日：2020-08-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边界框回归的目标跟踪方法，主要解决因传统的相关滤波器预测的目标区域不准确的问题，本发明实现的步骤如下：计算连续分辨率的空间特征图；计算相关滤波器；构建边界框回归模型；回归预测的目标位置；将调整后的目标区域位置作为对于目标跟踪的结果；判断当前帧视频图像是否为待跟踪视频图像序列的最后一帧图像，若是，则执行下一步，否则，用下一帧从头开始执行；结束对待跟踪目标的跟踪。本发明通过构造边界框回归行，更准确地预测了目标区域的位置信息，也通过三次线性插值的方式丰富了神经网络对目标区域提取到的特征，最终实现了准确的目标跟踪。
-
公开(公告)号：CN110443348A
公开(公告)日：2019-11-12
申请号：CN201910563393.X
申请日：2019-06-26
Applicant: 西安电子科技大学
Abstract: 本发明属于系统形式化建模与验证技术领域，公开了一种基于MSVL的神经网络系统的建模和验证方法。采用MSVL对需要进行验证的神经网络(包括DNN、CNN、RNN等)系统进行建模，用多维数组表示系统中所涉节点和边的信息，在建模中，用函数表示神经网路系统中的基本操作；确定需要验证的神经网络系统的共有性质特征，主要包括正确性和健壮性，并采用PPTL公式描述神经网络系统的这些性质；将建模的MSVL程序和描述共有性质的PPTL公式统一在UMC4MSVL平台中验证，根据验证结果判断性质是否能够得到满足。本发明将形式化的程序设计过程应用于神经网络系统的建模和验证，程序执行的每一个状态均能够得到可靠的验证，有效地保障了系统本身的安全性。
-
公开(公告)号：CN112053384A
公开(公告)日：2020-12-08
申请号：CN202010883760.7
申请日：2020-08-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边界框回归的目标跟踪方法，主要解决因传统的相关滤波器预测的目标区域不准确的问题，本发明实现的步骤如下：计算连续分辨率的空间特征图；计算相关滤波器；构建边界框回归模型；回归预测的目标位置；将调整后的目标区域位置作为对于目标跟踪的结果；判断当前帧视频图像是否为待跟踪视频图像序列的最后一帧图像，若是，则执行下一步，否则，用下一帧从头开始执行；结束对待跟踪目标的跟踪。本发明通过构造边界框回归行，更准确地预测了目标区域的位置信息，也通过三次线性插值的方式丰富了神经网络对目标区域提取到的特征，最终实现了准确的目标跟踪。
-
公开(公告)号：CN112052893A
公开(公告)日：2020-12-08
申请号：CN202010904002.9
申请日：2020-09-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的半监督图像分类方法，用于解决现有技术中存在的因网络提取的特征缺乏辨识度与多样性导致的分类精度较低的技术问题，实现步骤为：获取训练样本集和测试样本集；搭建生成对抗网络模型；对生成对抗网络模型进行迭代训练；获取半监督图像分类结果。本发明利用特征金字塔网络融合不同层级提取到的特征，通过生成对抗网络的博弈过程提高模型的分类能力，增加了特征的辨识度与多样性，能够更丰富的表征分类图像的类间特征，提高了图像分类精度，并能够在只含有少量精确标注样本的样本集上获得很好的图像分类效果，可用于实际场景中目标分类。
-
公开(公告)号：CN111832650A
公开(公告)日：2020-10-27
申请号：CN202010672056.7
申请日：2020-07-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络局部聚合编码半监督的图像分类方法，具体实现步骤为：(1)生成训练集；(2)构建生成器网络；(3)训练生成器网络；(4)构建局部聚合编码半监督分类网络；(5)训练局部聚合编码半监督分类网络；(6)判断局部聚合编码半监督分类网络的当前损失值是否接近0.5，若是，执行步骤(7)，否则，执行步骤(3)；(7)得到生成对抗网络；(8)对待分类图像进行分类。本发明通过构建局部聚合编码半监督分类网络，降低了网络复杂度，提高了对类别间特征的辨识度，能够在只含有少量精确标注样本的样本集上获得很好的分类效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.041 seconds)
