专利快速检索-快速检索全球专利，免费商用专利数据库-IPRDB

11. 发明公开

CN117974979A 基于深度密集连接网络模型的运动小目标检测方法审中-实审
公开(公告)号：CN117974979A
公开(公告)日：2024-05-03
申请号：CN202410142875.9
申请日：2024-02-01
申请人：西安电子科技大学
发明人：张铭津 , 刘玉珍 , 郭杰 , 李云松 , 高新波
IPC分类号： G06V10/25 , G06V20/40 , G06V10/26 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/048 , G06N3/0499 , G06N3/0464 , G06N3/08
摘要：本发明公开了一种基于深度密集连接网络模型的运动小目标检测方法，主要解决现有技术对小目标检测准确性差、检测效率低的问题。其实现方案是：将输入视频逐帧分解成输入图像，基于语义分割网络架构构建包括编码器和解码器的深度密集连接网络；利用编码器中的特征提取模块在不同层级上不同尺度的特征映射；对特征映射依次进行最大池化、双线性插值、卷积块、多尺度特征融合、残差连接的处理，生成高分辨率特征分割图，再将其逐帧集成得到高分辨率运动小目标；引入注意力机制构建密集连接的残差网络，增强对小目标的感知和抗干扰能力，得到优化后的运动小目标检测结果。本发明提高了运动小目标检测的准确性和效率，可应用于无人机、安防监控和自动驾驶。

12. 发明公开

CN117853710A 基于分片时空网络的多帧红外小目标检测方法审中-实审
公开(公告)号：CN117853710A
公开(公告)日：2024-04-09
申请号：CN202410031312.2
申请日：2024-01-09
申请人：西安电子科技大学
发明人：张铭津 , 朱昱奇 , 郭杰 , 李云松 , 高新波
IPC分类号： G06V10/25 , G06V10/774 , G06V10/82 , G06V20/40 , G06N3/0464 , G06N3/08 , G06V10/40
摘要：本发明提出了一种基于分片时空网络的多帧红外小目标检测方法，实现步骤为：获取训练和测试样本集；构建基于分片时空网络的小目标检测网络模型；定义Backbone C的运动补偿损失函数；对小目标检测网络进行迭代训练；获取小目标检测结果。本发明中Backbone中的分片时空网络中的基本节点可获取小目标的交互运动状态，使模型在时空域内提取到的特征更加丰富；运动补偿损失函数监视特征提取器训练，优化了其特征提取性能；运动耦合颈利用运动依赖性来耦合参考帧与关键帧的特征，优化了小目标运动特征；避免了现有技术捕捉时空特征的局限性和难以整合、交互和深度传播跨片节点状态的缺陷，有效地提高了运动小目标检测的准确率。

13. 发明公开

CN117710857A 基于图像增强和图匹配的领域自适应夜间目标检测方法审中-实审
公开(公告)号：CN117710857A
公开(公告)日：2024-03-15
申请号：CN202311724260.9
申请日：2023-12-15
申请人：西安电子科技大学
发明人：何立火 , 王正濠 , 柯俊杰 , 韩博 , 路文 , 王笛 , 高新波
IPC分类号： G06V20/40 , G06T5/70 , G06V10/774 , G06V10/20
摘要：本发明公开了一种基于图像增强和图匹配的领域自适应夜间目标检测方法，主要解决现有技术面对夜间目标检测数据量小，数据参杂噪声时检测准确率低及夜间漏检概率高的问题，其实现方案为：构建日间训练集、夜间训练集和夜间测试集；增强夜间图像的低信噪比区域；构建目标检测模块和图匹配模块；通过目标检测模块对日夜间训练集进行检测和特征图的获取；通过匹配模块对齐日夜领域特征；使用目标检测损失和图匹配损失迭代更新目标检测模块和图匹配模块的参数；使用训练迭代后的目标检测模块检测夜间测试集，得到领域自适应目标检测结果。本发明能增强夜间图像结构信息，获得具有语意含义的代表特征点，目标检测结果准确，漏检概率低，可用于夜间目标检测。

14. 发明公开

CN117576434A 一种基于细粒度原型在线学习的表面缺陷检测方法
公开(公告)号：CN117576434A
公开(公告)日：2024-02-20
申请号：CN202311547946.5
申请日：2023-11-20
申请人：西安电子科技大学
发明人：高新波 , 朱志强 , 路文 , 丁旭辉 , 熊昊 , 李子昂 , 张泽铭
IPC分类号： G06V10/762 , G06V10/44 , G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
摘要：本发明公开了一种基于细粒度原型在线学习的表面缺陷检测方法，属于图像处理和表面缺陷检测领域，包括：将待测图像输入表面缺陷检测模型，利用金字塔场景解析模块输出细粒度特征图；利用在线聚类模块对多个细粒度特征向量聚类；确定每个聚类中心最接近的细粒度特征向量为对应的原型向量；针对每个细粒度特征向量，通过计算该细粒度特征向量与对应原型向量的距离得到待测图像中，位置与该细粒度特征向量匹配的像素点的异常得分，利用所有异常得分得到图像级异常得分；若该得分大于预设阈值则判定待测图像中存在表面缺陷。本发明通过细粒度特征与原型特征之间的距离度量直接获取图像区域的异常得分，提高了模型在表面缺陷区域检测和定位的准确性。

15. 发明授权

CN113255786B 基于脑电信号和目标显著特性的视频质量评价方法有权
公开(公告)号：CN113255786B
公开(公告)日：2024-02-09
申请号：CN202110601075.5
申请日：2021-05-31
申请人：西安电子科技大学
发明人：何立火 , 孙羽晟 , 蔡虹霞 , 徐海鹏 , 陈欣雷 , 钟斌 , 高帆 , 高新波 , 路文
IPC分类号： G06F18/2411 , G06F18/214 , G06V20/40
摘要：本发明提出了一种基于脑电信号和目标显著特性的视频质量评价方法，实现步骤为：采集受试者的眼动数据；计算所有受试者观看每个视频时的目标区域注视信息；获取显著目标视频和非显著目标视频，并对其进行失真处理；采集每位受试者重复观看显著目标失真视频和非显著目标失真视频的脑电信号；获取每位受试者的单次脑电信号片段；获取训练样本集和测试样本集；对支持向量机分类器进行迭代训练；获取显著目标失真视频和非显著目标失真视频的质量评价结果。本发明在视频质量评价过程中，通过对显著目标视频和非显著目标视频所诱发的脑电信号进行分类，解决了现有技术中未考虑视频的目标显著特性对失真感知影响的问题，提高了视频质量评价的准确性。

16. 发明授权

CN116451118B 基于深度学习的雷达光电异常值检测方法有权
公开(公告)号：CN116451118B
公开(公告)日：2024-01-30
申请号：CN202310422057.X
申请日：2023-04-19
申请人：西安电子科技大学
发明人：李洁 , 代睿 , 李宇航 , 汪文豪 , 何立火 , 高新波 , 路文
IPC分类号： G06F18/24 , G01S7/40 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/09
摘要：本发明公开了一种基于深度学习的雷达光电异常值检测方法，包括以下步骤；步骤1，获取雷达和光电传感器采集到的点迹数据，构建训练数据集和测试数据集；步骤2，构建卷积提取特征矩阵模块；步骤3，构建卷积编码器模块；步骤4，构建基于注意力机制的卷积‑门控循环神经网络模块，提取时间特征；步骤5，反卷积解码重构特征矩阵；得到重构的特征矩阵；步骤6，构建误差分析模块，得到误差损失函数；步骤7，构建模型训练模块；步骤8，构建模型验证模块；选取步骤7训练过程中损失函数最小的模型，在测试集上对模型进行验证。本发明通过提取点迹数据的时间(56)对比文件Shun Gan等.Multisource Adaption forDriver Attention Prediction in ArbitraryDriving Scenes《. IEEE Transactions onIntelligent Transportation Systems》.2022,第23卷(第11期),20912-20925.Shi Yong等.Robust deep auto-encodingnetwork for real-time anomaly detectionat nuclear power plants《.Process Safetyand Environmental Protection》.2022,第163卷438-452.郑育靖等.基于GRU-Attention的无监督多变量时间序列异常检测《.山西大学学报(自然科学版)》.2020,第43卷(第04期),756-764.柳月强等.基于时空相关性的多传感器数据异常检测《.计算机应用与软件》.2020,第37卷(第10期),85-90.Yifeng Tan等.Multivariate Time-SeriesAnomaly Detection in IoT Using Attention-Based Gated Recurrent Unit《.2022 14thInternational Conference on WirelessCommunications and Signal Processing(WCSP)》.2023,604-609.彭洋.基于深度神经网络GRU的并行网络流量异常检测方法研究《.中国优秀硕士学位论文全文数据库 (信息科技辑)》.2022,(第02期),I139-56.罗俊海.无人机探测与对抗技术发展及应用综述《.控制与决策》.2021,第37卷(第3期),530-544.

17. 发明公开

CN117218426A 基于曲率注意力机制的小目标检测方法审中-实审
公开(公告)号：CN117218426A
公开(公告)日：2023-12-12
申请号：CN202311173740.0
申请日：2023-09-12
申请人：西安电子科技大学
发明人：张铭津 , 李巴特 , 张鹏 , 郭杰 , 李云松 , 高新波
IPC分类号： G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要：本发明提出了一种基于曲率注意力机制的小目标检测方法，实现步骤为：获取训练样本集和测试样本集；构建基于曲率注意力机制的小目标检测网络模型；初始化参数；对目标检测网络模型进行训练；对目标检测网络模型的参数进行更新；获取训练好的目标检测网络模型和小目标的检测结果。本发明主干网络可以提取各种尺度的小目标特征，能够减少特征的丢失，曲率网络获取的每个样本的注意力图，可以补充分割图中模糊的边缘预测结果，注意力网络将主干网络获取的每个分割图与对应的曲率网络获取每个注意力图进行特征融合，避免了现有技术网络对关键边缘特征关注不足以及对目标信息提取不全面的缺陷，验结果表明，本发明能够有效提高小目标检测的准确率。

18. 发明授权

CN116257852B 基于差分曲率的芯片硬件木马检测方法有权
公开(公告)号：CN116257852B
公开(公告)日：2023-11-14
申请号：CN202310273998.1
申请日：2023-03-21
申请人：西安电子科技大学
发明人：张铭津 , 郑玲萍 , 郭杰 , 李云松 , 高新波
IPC分类号： G06F21/56 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00 , G06T7/10
摘要：本发明提出一种基于差分曲率的芯片硬件木马检测方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建基于差分曲率超分网络模型O；(3)对基于差分曲率超分网络模型O进行迭代训练；(4)获取图像重建结果；(5)获取芯片硬件木马检测结果。本发明在对基于差分曲率的芯片硬件木马检测模型进行训练以及获取图像重建结果的过程中，用第二重建网络的曲率信息来补偿第一重建网络的均匀工作流，以增强特征表示能力，从而为重建图像提供更多的几何特征信息。实验结果表明，基于差分曲率的芯片硬件木马检测模型可以更好地探索恢复曲率信息，将其应用到重新设计的硬件木马检测系统中，可以获得比其他SR方法更高的硬件木马检测率。

19. 发明公开

CN116994091A 基于流体力学引导的小目标检测方法审中-实审
公开(公告)号：CN116994091A
公开(公告)日：2023-11-03
申请号：CN202310941571.4
申请日：2023-07-28
申请人：西安电子科技大学
发明人：张铭津 , 臧璠 , 岳珂 , 张萌 , 郭杰 , 李云松 , 高新波
IPC分类号： G06V10/774 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/08
摘要：本发明公开了一种基于流体力学引导的小目标检测方法，主要解决现有方法检测准确率低的问题，实现步骤为：获取训练样本集和测试样本集；构建基于流体力学引导的小目标检测模型：包括Stem块、特征提取块、特征重建块及预测块；初始化参数；对小目标检测模型进行训练；对小目标检测模型的参数进行更新；获取小目标检测结果。本发明中特征提取块提取到不同层次的特征，特征重建块使用低层特征对高层特征进行图像重建，其中包含的流体力学引导的细节重建块结合了流体力学理论，精确重建小目标的形状、大小和方向特征，从而获得更清晰的小目标边缘结构细节信息，提高小目标检测的准确率。

20. 发明公开

CN116883812A 可解释的基于高斯曲率的小目标检测方法审中-实审
公开(公告)号：CN116883812A
公开(公告)日：2023-10-13
申请号：CN202310852539.9
申请日：2023-07-12
申请人：西安电子科技大学
发明人：张铭津 , 臧璠 , 岳珂 , 左龙 , 郭杰 , 李云松 , 高新波
IPC分类号： G06V10/82 , G06V10/80 , G06V10/774 , G06N3/0464 , G06N3/08 , G06V10/54
摘要：本发明公开了一种可解释的基于高斯曲率的小目标检测方法，主要解决现有方法检测准确率低的问题，实现步骤为：获取训练样本集和测试样本集；构建可解释的基于高斯曲率的小目标检测模型：包括包括主干网络及与其并行排布的结构特征增强网络；初始化参数；对小目标检测模型进行训练；对小目标检测模型的参数进行更新；获取小目标检测结果。本发明中主干网络用来提取不同尺度的特征，结构特征增强网络中，结合数学理论构建高斯曲率引导的结构提取块，使得模型具有强可解释性，其通过高斯曲率计算有效提取纹理结构信息，特征融合块再将纹理结构信息与多尺度的特征信息进行融合，补偿主干网络中下采样操作丢失的目标特征，提高小目标检测的准确率。

你已经成功收藏专利！

检索式保存成功!

IPRDB

热门服务

关于我们

友情链接

联系方式