-
公开(公告)号：CN113554032B
公开(公告)日：2021-12-14
申请号：CN202111105080.3
申请日：2021-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。
-
公开(公告)号：CN113554032A
公开(公告)日：2021-10-26
申请号：CN202111105080.3
申请日：2021-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的亲和指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。
-
公开(公告)号：CN111368896B
公开(公告)日：2023-07-18
申请号：CN202010128528.2
申请日：2020-02-28
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法，以原始高光谱数据作为网络输入，采用三维卷积提取高光谱遥感图像的三维空谱特征，三维卷积可以直接对高光谱图像进行处理，不需要进行降维等预处理操作，更充分地提取高光谱图像的空谱特征。利用密集残差网络加深网络层数，学习更深层次的光谱和空间特征，随着网络深度的增加，残差网络可以有效减少梯度消失的问题，并且该结构可以更有效地利用特征并增强卷积层之间的特征传递；通过早停的方法来缩减训练时间，通过Soft‑max分类器进行分类预测，得到初始分类结果；提出多标签条件随机场优化算法，对分类的结果进行优化。本发明提升运算效率，提高了遥感图像分类的准确度。
-
Patent Agency Ranking
公开(公告)号：CN114373094B
公开(公告)日：2025-02-21
申请号：CN202111489573.1
申请日：2021-12-08
Applicant: 南京信息工程大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/56 , G06V10/46 , G06V10/82 , G06V10/75 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督学习的门控特征注意力等变分割方法，具体为：1、训练第一分类网络，权重共享得到第二分类网络；训练第一门控的部分融合模块，权重共享得到第二门控的部分融合模块；2、对原始图像进行仿射变换得到仿射图像；3、将原始图像、仿射图像分别输入至两个分类网络；4、将两个分类网络的最后一层的特征层分别作为类激活映射、仿射类激活映射；5、将两个分类网络的特定阶段输出的特征图输入至相应的门控的部分融合模块，得到门控特征图和仿射门控特征图；6、将步骤4和步骤5得到的结果输入至交叉特征注意力模型中，得到改进的类激活映射；7、根据改进的类激活映射实现图像的分割。本发明提高了弱监督网络的分割精度。
-
公开(公告)号：CN114373094A
公开(公告)日：2022-04-19
申请号：CN202111489573.1
申请日：2021-12-08
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/56 , G06V10/46 , G06V10/82 , G06V10/75 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于弱监督学习的门控特征注意力等变分割方法，具体为：1、训练第一分类网络，权重共享得到第二分类网络；训练第一门控的部分融合模块，权重共享得到第二门控的部分融合模块；2、对原始图像进行仿射变换得到仿射图像；3、将原始图像、仿射图像分别输入至两个分类网络；4、将两个分类网络的最后一层的特征层分别作为类激活映射、仿射类激活映射；5、将两个分类网络的特定阶段输出的特征图输入至相应的门控的部分融合模块，得到门控特征图和仿射门控特征图；6、将步骤4和步骤5得到的结果输入至交叉特征注意力模型中，得到改进的类激活映射；7、根据改进的类激活映射实现图像的分割。本发明提高了弱监督网络的分割精度。
-
公开(公告)号：CN113610329B
公开(公告)日：2022-01-04
申请号：CN202111168227.3
申请日：2021-10-08
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种双流卷积长短期记忆网络的短时临近降雨预报方法，属于天气预报技术领域。该方法通过两个分别对不同周期的降雨数据进行学习的长期预测子网络和短期预测子网络共同捕捉降雨过程中的时空变化，设计了一种全新的长短期记忆单元来提升子网络的时空特征学习能力，最后通过重结合模块实现对降雨过程的预测。该发明能够充分地捕获连续运动的降雨过程时空相关性，实现对区域内降雨运动趋势更精确的预报。
-
公开(公告)号：CN113610329A
公开(公告)日：2021-11-05
申请号：CN202111168227.3
申请日：2021-10-08
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种双流卷积长短期记忆网络的短时临近降雨预报方法，属于天气预报技术领域。该方法通过两个分别对不同周期的降雨数据进行学习的长期预测子网络和短期预测子网络共同捕捉降雨过程中的时空变化，设计了一种全新的长短期记忆单元来提升子网络的时空特征学习能力，最后通过重结合模块实现对降雨过程的预测。该发明能够充分地捕获连续运动的降雨过程时空相关性，实现对区域内降雨运动趋势更精确的预报。
-
公开(公告)号：CN111368896A
公开(公告)日：2020-07-03
申请号：CN202010128528.2
申请日：2020-02-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法，以原始高光谱数据作为网络输入，采用三维卷积提取高光谱遥感图像的三维空谱特征，三维卷积可以直接对高光谱图像进行处理，不需要进行降维等预处理操作，更充分地提取高光谱图像的空谱特征。利用密集残差网络加深网络层数，学习更深层次的光谱和空间特征，随着网络深度的增加，残差网络可以有效减少梯度消失的问题，并且该结构可以更有效地利用特征并增强卷积层之间的特征传递；通过早停的方法来缩减训练时间，通过Soft-max分类器进行分类预测，得到初始分类结果；提出多标签条件随机场优化算法，对分类的结果进行优化。本发明提升运算效率，提高了遥感图像分类的准确度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
