-
公开(公告)号：CN113673310B
公开(公告)日：2024-06-11
申请号：CN202110758699.8
申请日：2021-07-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于增强孪生网络的舰船追踪方法，包括：在待跟踪视频中的第一帧图像中，确定目标舰船的边界框坐标信息；根据所述边界框坐标信息，基于目标孪生网络，从待跟踪视频中的第一帧图像和待搜索图像中提取第一特征信息；基于目标特征融合模块和目标特征优化模块处理所述第一特征信息，以得到第二特征信息；基于目标互相关模块对所述第二特征信息进行互相关处理，以得到第三特征信息；根据所述第三特征信息，进行响应图判定，以得到掩膜信息和预测坐标信息；将所述掩膜信息和预测坐标信息映射至待搜索图像，以在所述待搜索图像中确定目标掩膜信息和目标边界框坐标信息。本发明能够加强舰船边缘特征，能够提高追踪准确度。
-
公开(公告)号：CN113554671A
公开(公告)日：2021-10-26
申请号：CN202110699420.3
申请日：2021-06-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轮廓增强的SAR图像到可见光图像的转换方法及装置，该方法包括：根据SAR图像及可见光图像真值对Pix2PixHD网络进行训练；对可见光图像真值和Pix2PixHD网络训练过程中产生的伪可见光图像进行轮廓信息提取；根据提取到的可见光图像真值的轮廓信息和伪可见光图像的轮廓信息计算轮廓重建损失；利用轮廓重建损失对Pix2PixHD网络进行优化，并利用优化好的网络实现SAR图像到可见光图像的转换。本发明通过对轮廓信息的强监督，提升了复杂纹理SAR图像到伪可见光图像的转换质量。
-
公开(公告)号：CN109472191B
公开(公告)日：2020-08-11
申请号：CN201811081523.8
申请日：2018-09-17
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于时空上下文的行人重识别与追踪方法，包括：训练Mask RCNN网络；利用训练后的Mask RCNN网络处理原始图片集，得到训练集、测试集和查找集；利用训练集训练卷积神经网络；利用训练后的卷积神经网络对测试集和查找集进行处理，以从测试集中获取第一预设数量的图片，以对目标行人进行重识别。本发明使用目标检测算法和实例分割算法对图片进行预处理，去除背景干扰信息，能够进一步提高模型精度，提升行人重识别方法的准确率。同时，本发明解决了目前行人重识别算法缺乏追踪功能的问题，提出了基于步行速度的区域预测算法，结合Mask RCNN降低了追踪计算复杂度，达到实时追踪，提高了追踪效率。
-
公开(公告)号：CN107832335A
公开(公告)日：2018-03-23
申请号：CN201710935929.7
申请日：2017-10-10
Applicant: 西安电子科技大学
Abstract: 本发明公开的一种基于上下文深度语义信息的图像检索方法，主要解决现有图像检索方法由于缺乏上下文环境信息而造成的准确率低的问题。实现步骤为：①使用自适应极化栅栏法确定图像关键点；②对卷积神经网络进行预训练和微调，构建包含区域分析层、迭代量化层的极化卷积神经网络；③提取关键点的上下文深度语义特征，并将其存入索引表，完成线下索引；④计算查询图像与数据库中每幅图像的相似度；⑤根据相似度从高到低的顺序输出检索结果。本发明使用上下文深度语义特征实现了图像关键点从区域到全局环境的匹配，提出的自适应极化栅栏法和构建的区域分析层符合全天空极光图像的成像特点，检索准确率高，可用于鱼眼镜头成像的大规模图像的精确检索。
-
公开(公告)号：CN102163330A
公开(公告)日：2011-08-24
申请号：CN201110082830.X
申请日：2011-04-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于张量分解与Delaunay三角划分的多视角人脸合成方法，主要解决现有技术中，连续视角变化的人脸图像难以合成的问题，其合成方案是：利用特征点标注的方法提取出人脸图像的轮廓信息；采用张量分解的方法分离出训练集中人脸数据的视角系数矩阵；对视角系数矩阵进行样条拟合；利用张量分解公式构建新视角的特征点；应用Delaunay三角划分以及线性仿射变换根据已知人脸图像合成出新视角的人脸图像。本发明具有人脸合成结果逼真、合成视角范围广及运算复杂度低的优点，可用于计算机视觉领域或多媒体技术中不同视角下的人脸合成。
-
Patent Agency Ranking
公开(公告)号：CN116110118A
公开(公告)日：2023-05-12
申请号：CN202211392912.9
申请日：2022-11-08
Applicant: 西安电子科技大学 , 中国电子科技集团公司电子科学研究院
IPC: G06V40/20 , G06V20/40 , G06V10/44 , G06V10/74 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于时空特征互补融合的行人重识别和步态识别方法，包括：获取待检测视频中的待检测光学图像和待检测行人步态图像；将待检测光学图像和待检测行人步态图像分别输入行人重识别网络和步态识别网络，行人重识别网络和步态识别网络分别输出第一行人特征和第一行人步态特征；将行人重识别网络输出的第一行人特征和步态识别网络输出的第一行人步态特征输入至训练好的步态特征辅助行人重识别网络的时空特征互补融合模块进行特征融合，得到初始行人特征向量；将初始行人特征向量和第一行人特征按照维度连接并进行归一化，得到最终行人特征向量。本发明的步态特征辅助行人重识别方法提高了行人重识别算法模型的准确率。
-
公开(公告)号：CN109325490B
公开(公告)日：2021-04-27
申请号：CN201811159843.0
申请日：2018-09-30
Applicant: 西安电子科技大学
Abstract: 一种基于深度学习和RPCA太赫兹图像的目标识别方法。其步骤为：(1)使用稳健主成分分析RPCA方法去除背景噪声；(2)使用形状先验知识缩小兴趣目标区域；(3)生成太赫兹图像数据集；(4)训练深度学习网络Faster‑RCNN；(5)使用深度学习网络Faster‑RCNN进行目标识别。本发明使用稳健主成分分析RPCA方法去除太赫兹图像背景噪声干扰，利用形状先验知识缩小兴趣区域，使用深度学习网络Faster‑RCNN对兴趣区域进行目标识别。本发明使用了稳健主成分分析RPCA和形状先验知识，克服了背景噪声的影响，能极快的准确的检测到太赫兹图像中的目标。
-
公开(公告)号：CN109325490A
公开(公告)日：2019-02-12
申请号：CN201811159843.0
申请日：2018-09-30
Applicant: 西安电子科技大学
CPC classification number: G06K9/3233 , G06K9/40 , G06N3/0454
Abstract: 一种基于深度学习和RPCA太赫兹图像的目标识别方法。其步骤为：(1)使用稳健主成分分析RPCA方法去除背景噪声；(2)使用形状先验知识缩小兴趣目标区域；(3)生成太赫兹图像数据集；(4)训练深度学习网络Faster-RCNN；(5)使用深度学习网络Faster-RCNN进行目标识别。本发明使用稳健主成分分析RPCA方法去除太赫兹图像背景噪声干扰，利用形状先验知识缩小兴趣区域，使用深度学习网络Faster-RCNN对兴趣区域进行目标识别。本发明使用了稳健主成分分析RPCA和形状先验知识，克服了背景噪声的影响，能极快的准确的检测到太赫兹图像中的目标。
-
公开(公告)号：CN107705295A
公开(公告)日：2018-02-16
申请号：CN201710828732.3
申请日：2017-09-14
Applicant: 西安电子科技大学
CPC classification number: G06T7/0002 , G06K9/6247 , G06T7/33
Abstract: 本发明公开了一种基于稳健主成分分析法(RPCA)的图像差异检测方法，主要解决图像或视频数据中差异变化的检测问题。其实现步骤是：1.获取不同时间、不同视角、同一场景的图像；2.对图像进行几何配准；3.分别对配准后的图像数据进行列向量化处理，并将所有的列向量合成矩阵X；4.利用RPCA对矩阵X进行分解，得出对应的包含差异点信息的稀疏矩阵S0；5.根据稀疏矩阵S0，得到每一幅图像差异点的填充区域，并对杂噪点进行滤除；6.根据填充区域结果，得出每一幅图像差异区域的中心坐标和长宽大小，将该差异区域标注在配准后的图像中。与现有技术相比，本发明具有对视角、光照、噪声等各种非理想扰动更加稳健的优点，可用于多时相无人机平台下的差异区域检测。
-
公开(公告)号：CN105069798A
公开(公告)日：2015-11-18
申请号：CN201510496149.8
申请日：2015-08-12
Applicant: 西安电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于图割优化的局部主动轮廓图像分割方法，主要解决现有紫外极光分割方法分割出的极光卵边界不准确的问题。其技术方案是：1.在输入图像上定义初始轮廓C；2.根据初始轮廓构造一个窄带区域；3.以窄带区域内的像素i为中心，在输入图像上取子图Ii；4.在子图上Ii分别计算能量函数E(C,c1,c2)；5.将子图Ii映射为一个几何图；6.用最大流\最小割算法找到几何图的最小割；7.重复步骤3-6，直至取完窄带区域内所有像素；8.重复步骤2-7，直至轮廓曲线C到达前景边界，完成图像分割。本发明提高了紫外极光图像的分割精度，并能对灰度不均匀的图像进行准确分割，可用于极光卵位置预测及目标检测。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.035 seconds)
