-
公开(公告)号：CN118608944A
公开(公告)日：2024-09-06
申请号：CN202410651112.7
申请日：2024-05-24
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于领域泛化的跨场景高光谱图像分类方法，主要解决现有分类方法在目标场景中分类精度低、泛化效果差的问题。包括：1)构建基于卷积网络与Transformer网络的扩展域生成器；2)根据扩展域数据和源域数据，引入随机化参数得到中间域数据；3)构建扩展域生成器与鉴别器组成的分类模型；4)利用类内监督对比损失与交叉熵损失优化生成器；5)利用文本图像对齐损失、类间监督对比损失与交叉熵损失优化鉴别器；6)使用训练好的模型对高光谱图像进行分类，获取最终分类结果。本发明能够充分利高光谱图像的空间光谱信息，同时从不同角度出发进行图像特征对齐，有效提高了模型对目标场景分类的泛化性能与分类精度。
-
公开(公告)号：CN118429811A
公开(公告)日：2024-08-02
申请号：CN202410617463.6
申请日：2024-05-17
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/772 , G06V10/25
Abstract: 本发明公开了一种基于低秩稀疏表示和约束能量最小的高光谱目标检测方法，主要解决现有检测方案在复杂应用场景下检测效果不佳的问题。包括：1)利用光谱信息散度和空间上下文显著性构建目标字典和背景字典；2)建立目标函数，将高光谱图像分解成低秩成分、稀疏成分和残差成分，并对低秩背景系数施加约束能量最小正则项约束；3)利用背景字典构建子空间检测器、目标字典空间索引构建目标引导图，分别对低秩背景项和稀疏目标项进行优化；4)对两种结果进行非线性融合得到最终检测结果。本发明通过结合基于高性能字典的空间和光谱优势，双字典低秩稀疏模型的先验优势，并以由粗到细的方式进行优化，有效提升了高光谱目标检测性能。
-
公开(公告)号：CN116310830A
公开(公告)日：2023-06-23
申请号：CN202310292428.7
申请日：2023-03-23
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/772 , G06V10/774 , G06V10/26 , G06V10/28
Abstract: 本发明提出了一种空‑谱协同引导联合字典构建的高光谱异常检测方法，用于解决构建字典时背景光谱和异常光谱信息挖掘不充分及噪声干扰导致检测性能不佳的问题。包括：1)分别利用空间检测器和光谱检测器对输入高光谱图像进行检测，获取检测图；2)根据检测图构建背景集和异常集；3)对任意待测像素，从背景集和异常集中挑选特定数量的像素构建背景子字典和异常子字典，并将两者合并形成联合字典；4)建立基于联合字典的协同表示模型，对其优化求解得到估计的系数向量；5)将异常子字典和对应系数的乘积作为检测结果。本发明在构建字典时充分挖掘背景光谱和异常光谱信息，且有效规避了表示残差向量中噪声的影响，提升了高光谱异常检测性能。
-
公开(公告)号：CN115731472A
公开(公告)日：2023-03-03
申请号：CN202211584933.0
申请日：2022-12-09
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/762 , G06V10/80 , G06V10/26
Abstract: 本发明公开了一种融合稀疏表示和协同表示的高光谱异常检测方法，主要解决现有检测方法中构建的背景字典表示效果不佳、检测性能差的问题。包括：1)构建过完备字典，建立稀疏表示模型，优化求解并计算稀疏残差特征；2)构建背景字典，建立协同表示模型，优化求解并计算协同残差特征；3)将稀疏残差特征和协同残差特征进行非线性融合，得到初始检测结果；4)利用引导滤波对初始检测结果进行后处理，得到最终检测结果。本发明摒弃了以双窗口方式构建背景字典，自动从稀疏表示模型中挑选使用的原子作为背景字典，并且结合稀疏残差特征和协同残差特征，有效提升高光谱异常检测效果。
-
公开(公告)号：CN114337881B
公开(公告)日：2023-02-03
申请号：CN202111422536.9
申请日：2021-11-26
Applicant: 西安电子科技大学
IPC: H04B17/382 , G06F17/11
Abstract: 本发明提出了一种基于多无人机分布式与LMS的无线频谱智能感知方法。主要解决现有无线频谱感知技术使得算法计算量大、参数估计缓慢的问题。方案包括：1)通过采用获取待检信号和噪声信号；2)将采样得到的待检信号与噪声信号的能量均值相比得到信噪比估计值；3)设立信噪比阈值，并进行阈值判断；4)根据判断结果选择无人机的频谱检测方式，采用单点的LMS频谱检测或分布式扩散协作式的频谱检测对其进行检测，得到检测结果；5)根据检测结果对待检信号中的闲置频谱进行利用，实现频谱感知。本发明有效降低了算法复杂度，具有计算量小、参数估计快且准确率高的特点。
-
Patent Agency Ranking
公开(公告)号：CN114005044A
公开(公告)日：2022-02-01
申请号：CN202111273588.4
申请日：2021-10-29
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/28 , G06V10/762 , G06V10/764 , G06K9/62
Abstract: 本发明提出了一种基于超像素和渐进式低秩表示的高光谱图像异常检测方法，主要针对现有低秩表示过程中构建的背景字典纯净度低且不全面，检测结果不佳的问题。包括：采用基于正交投影散度的超像素分割法对待测高光谱图像进行分割，得到同质区域集；再以所得同质区域的质心为原子构建背景字典，然后对图像进行低秩表示，并以获取的异常部分计算检测结果，最后以该检测结果为基准筛选纯净同质区域，以其质心为原子构成新背景字典，继续低秩表示操作；重复上述过程直到检测结果不变，即获得最终检测结果。本发明能够获取纯净且全面的背景字典，有利于更好地描述背景特性，从而获取更具有区分性的异常部分，进而有效提升了高光谱图像异常检测效果。
-
公开(公告)号：CN117197665B
公开(公告)日：2025-05-16
申请号：CN202311137313.7
申请日：2023-09-05
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/58 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于低秩和稀疏先验约束自编码器的高光谱异常检测方法，主要解决现有检测方案在复杂应用场景下检测效果不佳的问题。包括：1)构建两个共享编码器的自编码器；2)建立目标函数，将高光谱图像分解成低秩成分、稀疏成分和残差成分；3)利用低秩成分和稀疏成分作为标签，分别计算两个自编码器的重构损失；4)将高光谱图像分解和自编码器训练整合到统一框架，以端到端方式联合优化；5)利用RX检测器对重构结果处理并进行融合，得到最终检测结果。本发明通过结合基于线性的低秩和稀疏模型与基于非线性的自编码器的优势，并以端到端的方式进行联合优化，避免模型陷入局部最优，有效提升了高光谱异常检测性能。
-
公开(公告)号：CN114758226B
公开(公告)日：2024-09-27
申请号：CN202210273865.X
申请日：2022-03-19
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/26 , G06V10/28 , G06V10/764 , G06V10/772 , G06V10/82
Abstract: 本发明提出了一种两阶段决策引导双字典构建的高光谱图像异常检测方法，主要解决现有方法中潜在异常字典纯度低、检测效果不佳的问题。包括：对高光谱图像进行超像素分割，根据超像素设计内外窗进行显著性检测，并对检测结果进行后处理得到粗糙二值图；搭建背景估计网络并训练和推理，以推理误差进行背景建模，计算每个像素的马氏距离作为异常判别标准，对计算结果进行后处理得到精细二值图；以粗糙二值图、精细二值图及超像素共同构建背景字典和潜在异常字典；构建基于双字典的低秩和稀疏表示模型并进行优化求解，得到最终检测结果。本发明能够获取纯净的潜在异常字典，利于更好地描述异常特性，有效提升了高光谱图像异常检测效果。
-
公开(公告)号：CN114005044B
公开(公告)日：2024-09-27
申请号：CN202111273588.4
申请日：2021-10-29
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/28 , G06V10/762 , G06V10/764
Abstract: 本发明提出了一种基于超像素和渐进式低秩表示的高光谱图像异常检测方法，主要针对现有低秩表示过程中构建的背景字典纯净度低且不全面，检测结果不佳的问题。包括：采用基于正交投影散度的超像素分割法对待测高光谱图像进行分割，得到同质区域集；再以所得同质区域的质心为原子构建背景字典，然后对图像进行低秩表示，并以获取的异常部分计算检测结果，最后以该检测结果为基准筛选纯净同质区域，以其质心为原子构成新背景字典，继续低秩表示操作；重复上述过程直到检测结果不变，即获得最终检测结果。本发明能够获取纯净且全面的背景字典，有利于更好地描述背景特性，从而获取更具有区分性的异常部分，进而有效提升了高光谱图像异常检测效果。
-
公开(公告)号：CN118643460A
公开(公告)日：2024-09-13
申请号：CN202410681658.7
申请日：2024-05-29
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多模态融合与多任务优化的自动调制识别方法，主要解决现有技术识别准确率不佳的问题。包括：1)获取信号的I/Q序列，并计算得到信号的A/P信息；2)通过动态多域权重分配的LSTM模型提取时序模态特征；3)采用马尔可夫图像编码对原始信号数据进行重构，将序列转换为二维图像，作为图像模态特征提取网络的输入；4)使用基于焦点调制网络的模型提取图像特征，再将时序和图像两种模态特征进行融合；5)并将融合特征作为主任务、图像特征作为辅助任务进行识别，获取最终识别结果。本发明充分考虑到了不同模态特征之间的的差异性和互补性，并设计了多任务损失函数优化模型对其进行改善，有效提升整体识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.028 seconds)
