-
公开(公告)号：CN115965953A
公开(公告)日：2023-04-14
申请号：CN202310009003.0
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V20/60 , G06V10/143 , G06V10/10 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。
-
公开(公告)号：CN115965953B
公开(公告)日：2023-08-22
申请号：CN202310009003.0
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V20/60 , G06V10/143 , G06V10/10 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。
-
公开(公告)号：CN115965844B
公开(公告)日：2023-08-18
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
公开(公告)号：CN115965844A
公开(公告)日：2023-04-14
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
-
-
Search Results
4
records
(took 0.022 seconds)
