-
公开(公告)号：CN114677271B
公开(公告)日：2025-04-29
申请号：CN202210147859.X
申请日：2022-02-17
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06T7/11 , G06N3/0464 , G06N3/084
Abstract: 本发明提供的一种基于深度图像先验的高光谱图像超分辨率重建方法，通过在现有的主体学习网络中加入不基于训练的自动处理网络，通过设计输入处理模块来充分根据网络主体结构调整网络输入，使输入与网络结构产生共鸣，从而充分利用图像先验信息，利用DCNN的内在特征先捕获图像，然后再恢复图像。本发明所提出的网络结构充分利用了高光谱图像的空间信息和光谱波段之间的相关性学习图像特征，并且此本发明的自动处理网络中的输入处理模块可以自动调整输入结构，可以大大扩展DIP算法的应用，使DIP方法更适合于高光谱超分任务，可以进一步提高了构图像的质量。
-
公开(公告)号：CN118015346B
公开(公告)日：2025-03-21
申请号：CN202410100761.8
申请日：2024-01-24
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06N3/082 , G06V10/82 , G06N3/084 , G06V10/774 , G06N3/0985
Abstract: 本发明提出了一种基于正交网络的图像分类方法及装置，从电子设备获取当前时刻的当前环境下监测到的图像作为待分类图像，并生成该待分类图像的当前分类任务；执行所述当前分类任务，以将所述待分类图像输入至训练完成的分类模型中，以使所述分类模型输出所述待分类图像的类别。本发明训练完成的分类模型具有保存旧知识的固定参数、共享旧知识和新知识的共享参数、学习新知识的自由参数。本发明通过剪枝后的分类模型中的共享参数来解决图像分类模型中的灾难性遗忘问题，以对当前监测到的图像分类可以提高分类的准确性和效率，这是促进图像分类技术的现实应用的关键。
-
公开(公告)号：CN118537890A
公开(公告)日：2024-08-23
申请号：CN202410535381.7
申请日：2024-04-30
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/82 , G06V10/40 , G06V10/25 , G06F16/583 , G06N3/045 , G06N3/088 , G06N3/0464 , G06N3/042 , G06N3/0895 , G06N3/084
Abstract: 本发明提供了一种基于多粒度图卷积的弱监督人物搜索方法、装置及介质。其中，方法包括：获取待识别场景图像以及查询人物；将查询人物输入预训练搜索网络，获取查询特征；将待识别场景图像输入预训练搜索网络，根据查询特征对待识别场景图像进行人物搜索，并根据人物搜索的结果在待识别场景图像中得到对应的人物位置信息；预训练搜索网络基于实例任务分支和搜索任务分支进行无监督训练得到；预训练搜索网络的网络参数基于第一特征和第二特征的多粒度对齐结果进行迭代更新；第一特征基于实例任务分支得到，第二特征基于搜索任务分支得到。在本发明中，通过实例任务分支和搜索任务分支同时进行网络的训练，提高了预训练搜索网络的搜索效率和效果。
-
公开(公告)号：CN118506047A
公开(公告)日：2024-08-16
申请号：CN202410103821.1
申请日：2024-01-24
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08 , G06V10/74
Abstract: 本发明公开了一种基于特征解耦和类中心匹配的领域泛化的图像类别预测处理方法，包括：针对一张待处理图像获取该待处理图像对应的领域泛化数据集；对领域泛化数据集中的文本进行文本解耦；对领域泛化数据集中的图像进行图像解耦；构建类中心存储器，利用类中心存储器得到领域相关的预测概率，通过计算得到领域无关的预测概率，对领域相关的预测概率和领域无关的预测概率进行加权求和得到待处理图像的总体类别的预测概率并输出。本发明构建了类中心存储器，得到领域相关的预测概率，将领域相关的预测概率与领域无关的预测概率相结合，得到总体的预测概率，极大地提高了待处理图像的总体类别的预测概率。
-
公开(公告)号：CN114881098A
公开(公告)日：2022-08-09
申请号：CN202210192794.0
申请日：2022-02-28
Applicant: 西安电子科技大学
Abstract: 本发明提供的一种基于流形正则化转移矩阵的标签噪声估计方法，通过预训练第二网络中第一网络，并对数据集蒸馏后，将获得的子数据集输入至第二网络中，得到子数据集内的数据实例所属类别的概率以及获得与数据实例相关的转移矩阵；进一步根据数据实例标签计算得到第二网络的交叉熵损失，并结合已构建的表述数据实例属于相同流形的一致性的关联矩阵、数据实例属于不同流形的惩罚矩阵，计算第二网络的损失函数；通过调整损失函数减小训练第二网络得到训练好的第二网络，从而完成数据实例所属类别的预估。本发明可以在不影响转移矩阵逼近误差的情况下，减小估计误差，实验证明本发明在标签噪声学习中可以取得优异的性能。
-
Patent Agency Ranking
公开(公告)号：CN118506047B
公开(公告)日：2025-04-01
申请号：CN202410103821.1
申请日：2024-01-24
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08 , G06V10/74
Abstract: 本发明公开了一种基于特征解耦和类中心匹配的领域泛化的图像类别预测处理方法，包括：针对一张待处理图像获取该待处理图像对应的领域泛化数据集；对领域泛化数据集中的文本进行文本解耦；对领域泛化数据集中的图像进行图像解耦；构建类中心存储器，利用类中心存储器得到领域相关的预测概率，通过计算得到领域无关的预测概率，对领域相关的预测概率和领域无关的预测概率进行加权求和得到待处理图像的总体类别的预测概率并输出。本发明构建了类中心存储器，得到领域相关的预测概率，将领域相关的预测概率与领域无关的预测概率相结合，得到总体的预测概率，极大地提高了待处理图像的总体类别的预测概率。
-
公开(公告)号：CN119251872A
公开(公告)日：2025-01-03
申请号：CN202411309153.4
申请日：2024-09-19
Applicant: 西安电子科技大学
IPC: G06V40/10 , G06V10/764 , G06V10/82 , G06V20/52 , G06N3/0455 , G06N3/094
Abstract: 本发明公开了一种基于将干扰因素隔离以实现换衣人员重新识别的方法，涉及工智能图像处理技术领域，该方法包括：获取待查询图像和图库图像集；将待查询图像输入至训练好的换衣模型中，得到待查询特征向量，并将图库图像集输入至训练好的换衣模型中，得筛选结果特征向量集；分别计算待查询特征向量与筛选结果特征向量集中每个筛选结果特征向量之间的距离，得到多个距离集合；确定多个距离集合中的最小值，并确定最小值对应的筛选结果特征向量；根据筛选结果特征向量确定与待查询图像对应的图库图像集图像；实现了提取的特征能够忽略衣服和摄像头的差异，从而有效地区分两幅图像是否属于同一行人。
-
公开(公告)号：CN118710501A
公开(公告)日：2024-09-27
申请号：CN202411186704.2
申请日：2024-08-28
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/50 , G06T5/60
Abstract: 本发明提供了一种图像超分辨率重建系统的训练方法、图像重建方法及系统，其中训练方法包括：针对任一退化任务：获取退化任务对应的多个待重建图像；基于骨干网络，根据各待重建图像和预先确定的退化任务的任务标识，训练提示映射生成模块，得到退化任务对应的提示映射函数，进而得到训练好的图像超分辨率重建系统，该训练好的图像超分辨率重建系统能够实现动态构造自适应提示信息，针对不同的退化任务自适应地提供定制化的上下文信息，即使在保持特征多样性不变的情况下，亦能显著减少所需的模型训练参数量，提高了模型的灵活性，显著增强了模型的适应性与运算效率，还有效减轻了在跨领域应用中常见的知识遗忘现象，实现了持续学习。
-
公开(公告)号：CN118135648A
公开(公告)日：2024-06-04
申请号：CN202410102504.8
申请日：2024-01-24
Applicant: 西安电子科技大学
IPC: G06V40/20 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/762 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种用于无监督可见‑红外行人重识别的标签关联方法，该方法包括：获取图像数据集，根据图像数据集，获取可见光模态的行人图像对应的第一特征和红外光模态的行人图像对应的第二特征；根据第一特征和第二特征构建亲和矩阵，根据亲和矩阵得到可见光模态对应的第一最优软伪标签和红外光模态对应的第二最优软伪标签；将第一最优软伪标签和第二最优软伪标签作为监督信号以应用于无监督可见‑红外行人重识别中。通过上述技术方案，实现了不同模态下软伪标签的对齐，为无监督可见‑红外行人重识别方法提供了丰富且可靠的监督信号，从而缓解可见‑红外行人重识别技术在实际应用中耗时较多且识别过程复杂的问题。
-
公开(公告)号：CN119942270A
公开(公告)日：2025-05-06
申请号：CN202510421323.6
申请日：2025-04-07
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06N3/0495 , G06N3/0499 , G06N3/08 , G06N5/04 , G06V10/764 , G06V10/778 , G06V10/82
Abstract: 本发明公开了一种用于连续学习图像分类的跨子空间知识对齐方法，旨在增强模型对误导性任务ID的鲁棒性。本发明的跨子空间知识对齐与聚合方式在学习任务识别器的同时，还通过专用的任务子模块来确保模型的可塑性，并采用了一种双重知识对齐训练框架。双重知识对齐在特征和分类器决策边界级别对齐不同子空间的特征语义和决策边界，从而克服子空间不对齐带来的模糊决策问题。此外，为了在推理过程中避免对误导性任务ID产生过度自信，本发明提出了一种任务置信引导的适配器混合的强大推理机制，通过任务子模块的软知识聚合实现更稳健的推理。实验表明，本发明的跨子空间知识对齐与聚合方式在性能上优于现有的基于高效参数微调的类别增量学习方法。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.036 seconds)
