全部专利 发明专利 实用新型专利 外观设计专利
排序方式:
当前查询到420条专利包含查询词 "杨淑媛" ,搜索用时0.140625秒!
发明专利:390实用新型: 19外观设计: 11
390 条,当前第 381-390 条 首页 上一页 返回搜索页
申请号:201911342809.1 公开号:CN111080652A 主分类号:G06T7/10
申请人:【中文】西安电子科技大学【EN】XIDIAN University 申请日:2019.12.23 公开日:2020.04.28
摘要:【中文】本发明公开了一种基于多尺度轻量化空洞卷积的光学遥感图像分割方法,主要解决现有技术中网络所占的存储空间大、图像分割效果欠佳的问题。其实现方案为:获取光学遥感图像数据,并划分训练样本集和测试样本集;构建由特征提取下采样子网络、底层子网络、图像恢复上采样子网络级联的多尺度轻量化空洞卷积网络;用训练样本集对构建的多尺度轻量化空洞卷积网络进行训练;将测试样本集输入到训练好的多尺度轻量化空洞卷积网络中进行测试,得到光学遥感图像的分割结果。本发明减小了分割网络所占存储空间,提高了对光学遥感图像的分割精度,可用于土地规划管理,植被资源调查及环境监测。 【EN】The invention discloses an optical remote sensing image segmentation method based on multi-scale lightweight void convolution, which mainly solves the problems of large storage space occupied by a network and poor image segmentation effect in the prior art. The implementation scheme is as follows: acquiring optical remote sensing image data, and dividing a training sample set and a test sample set; constructing a multi-scale lightweight cavity convolution network formed by cascading a feature extraction down-sampling sub-network, a bottom sub-network and an image recovery up-sampling sub-network; training the constructed multi-scale lightweight void convolution network by using a training sample set; and inputting the test sample set into a trained multi-scale lightweight void convolution network for testing to obtain a segmentation result of the optical remote sensing image. The invention reduces the storage space occupied by the segmentation network, improves the segmentation precision of the optical remote sensing image, and can be used for land planning management, vegetation resource investigation and environment monitoring.
详细信息 下载全文

申请号:202010230019.0 公开号:CN111311614A 主分类号:G06T7/11
申请人:西安电子科技大学 申请日:2020.03.27 公开日:2020.06.19
摘要:本发明公开了一种基于分割网络和对抗网络的三维点云语义分割方法,实现步骤为:(1)构建分割网络;(2)构建梯度估计模块;(3)构建对抗网络;(4)构建基于分割网和对抗网三维点云语义分割网络;(5)初始化分割网络和对抗网络;(6)生成训练数据集和训练标签集;(7)训练分割网络和对抗网络;(8)对三维点云数据进行分割。本发明通过对抗网络提取高维特征,分割网络进行点云分割,具有测试阶段点云分割时间短、分割结果精度高的优点。
详细信息 下载全文

申请号:202011355669.4 公开号:CN112465880A 主分类号:G06T7/30
申请人:西安电子科技大学 申请日:2020.11.26 公开日:2021.03.09
摘要:本发明提出了一种多源异构数据认知融合的目标检测方法,用于解决现有技术中存在的图像中包含被遮挡的目标导致目标检测精度较低的技术问题,实现步骤为:数据预处理;获取训练数据集和测试数据集;构建基于多源异构数据认知融合的目标检测模型H;对基于多源异构数据认知融合的目标检测模型H进行迭代训练;获取目标检测结果。本发明在目标检测网络的基础上,通过融合输入的光学遥感图像和SAR图像、融合提取特征后的光学遥感特征图和SAR特征图、融合光学遥感图像和SAR图像的检测结果,使得目标检测模型既学习到SAR图像的特征,又学习到光学遥感图像的特征,解决了包含被遮挡目标的图像的检测精度较低的技术问题。
详细信息 下载全文

申请号:202011362265.8 公开号:CN112434745A 主分类号:G06K9/62
申请人:西安电子科技大学 申请日:2020.11.27 公开日:2021.03.02
摘要:本发明公开的基于多源认知融合的遮挡目标检测识别方法,解决现有方法对于遮挡的目标无法进行精确检测的问题。实现步骤是:构建多源训练数据集和测试数据集;构建改进的多源认知融合模块;生成融合后的训练数据集与测试数据集;引入目标检测网络Faster R‑CNN;用融合后的训练集对目标检测网络Faster R‑CNN进行训练;得到目标检测结果。本发明基于多源认知融合,使用了仿照人脑认知的注意力模块,在注意力机制模块中进行了光学图像与SAR图像的融合,以得到融合后的特征图,本发明对光学图像和SAR图像进行了融合,提取了光学图像和SAR图像的特征,提高了对目标,尤其是对遮挡目标的检测能力,用于对多源图像进行目标识别。
详细信息 下载全文

申请号:202011623078.0 公开号:CN112784690A 主分类号:G06K9/00
申请人:西安电子科技大学 申请日:2020.12.31 公开日:2021.05.11
摘要:本发明公开了一种基于深度学习的宽带信号参数估计方法,基于YOLOv4网络和灰度时频图实现宽带特定信号的检测和识别,并对检测结果进一步计算和更新得到每个检测到宽带信号的估计参数,克服了现有方法检测识别精度低、参数估计不准、适用类型少且严重依赖专家先验等问题。本发明主要包括以下步骤:(1)生成宽带特定信号训练集;(2)训练YOLOv4网络;(3)对宽带信号灰度时频图进行检测识别;(4)计算检测识别到的每个宽带特定信号的参数;(5)对宽带特定信号的参数进行判断;(6)更新宽带特定信号参数。本发明具有宽带特定信号检测识别精度高、参数估计准和方法普适等优点,可用于无线电检测和侦查中对宽带信号进行分析。
详细信息 下载全文

申请号:202110005855.3 公开号:CN112865915A 主分类号:H04K1/02
申请人:西安电子科技大学 申请日:2021.01.05 公开日:2021.05.28
摘要:本发明提供了一种用于对抗深度学习的无线电信号伪造方法,解决了人工智能与电子对抗技术领域,基于深度学习的信号分类器难以对抗的技术问题。实现包括:对调制后的无线电信号随机生成候选对抗信号,将候选对抗信号作为初始父代种群,通过基于视觉限制的差分进化方法生成信号干扰方案集;采用基于深度学习的无线电信号分类器评估获得干扰信号和对抗信号,完成对抗信号伪造。本发明伪造的信号和原无线电信号具有极高的相似性,有效对抗基于深度学习的信号分类器,降低无线电信号调制类型分类精度。本发明伪造的信号在干扰信号未知的情况下,基本不影响无线电信号内容理解。用于军事领域电子对抗,防止无线电信号调制类型被识别。
详细信息 下载全文

申请号:202111039222.0 公开号:CN113780147A 主分类号:G06K9/00
申请人:西安电子科技大学 申请日:2021.09.06 公开日:2021.12.10
摘要:本发明公开了一种轻量化动态融合卷积网的高光谱地物分类方法及系统,对高光谱图像进行归一化处理,划分训练集,验证集和测试集;设置双路互连特征提取模块和分类模块,构建网络模型;利用训练集训练网络模型,并利用验证集对网络模型进行验证,将验证集上精度最高的一代网络模型权重作为最终的分类模型权重;将测试集输入精度最高的一代网络模型中进行测试得到最终的分类结果,进行高光谱图像分类,根据分类结果输出分类图像。本发明进一步降低了网络参数量,减少了网络训练时间,并在较少的训练样本条件下取得了更优的分类效果。
详细信息 下载全文

申请号:202111117899.1 公开号:CN113808219A 主分类号:G06T7/80
申请人:西安电子科技大学 申请日:2021.09.17 公开日:2021.12.17
摘要:本发明公开了一种基于深度学习的雷达辅助相机标定方法,解决了从雷达点迹到图像目标框转换的技术问题。实现步骤:数据采集形成雷达点迹和图像目标框数据;采集时间对齐;雷达点迹数据形成训练输入数据集;转换后的图像目标框数据形成训练输出数据集;构建并训练深度神经网络模型;获得相机标定函数。本发明利用含有跨层链接的深度神经网络模型将雷达点迹数据转换为图像目标框数据构成标定函数,减小了人为误差和标定过程的额外工作,提高了相机标定的灵活性和效率;计算量小,标定准确率高。用于多传感器融合目标检测,更具体地用在雷达和相机摄像头同时进行目标检测的情况下的相机标定。
详细信息 下载全文

申请号:202210198503.9 公开号:CN114565824A 主分类号:G06V20/00
申请人:西安电子科技大学 申请日:2022.03.02 公开日:2022.05.31
摘要:本发明提出了一种基于全卷积网络的单阶段旋转舰船检测方法,实现步骤为:获取训练样本集和测试样本集;构建单阶段旋转舰船目标检测模型;对单阶段旋转舰船目标检测模型进行迭代训练;通过训练好的单阶段旋转舰船目标检测模型对所有目标的边界框位置和类别置信度进行检测。本发明基于对水平框检测的全卷积单阶段目标检测网络模型,在原有网络基础上加入角度分支并优化网络结构及损失函数,通过网络中多层全卷积层卷积得到的特征图直接逐像素点无锚框的生成预测结果,实现了对旋转舰船目标的快速检测,在保证旋转舰船目标检测检测精度的前提下提高了检测效率,可用于海上监测、海防预警、海洋维权等领域。
详细信息 下载全文

390 条,当前第 381-390 条 首页 上一页 返回搜索页
©2022 Patent9.com All rights reserved.