-
公开(公告)号：CN118411635A
公开(公告)日：2024-07-30
申请号：CN202410506691.6
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06V20/17 , G06V10/44 , G06V10/764 , G06N20/00
Abstract: 本发明提供基于自监督对比学习的熵辅助SAR图像飞机目标分类方法，其中，方法包括：获取SAR图像，构建自监督对比学习特征网络，根据所述SAR图像和所述自监督对比学习特征网络得到SAR特征提取图像；构建基于全连接层的分类器，以所述SAR特征提取图像为输入，得到类别预测概率；根据所述类别预测概率得到SAR图像飞机分类结果。本发明提高了SAR图像飞机目标细粒度分类的准确度和鲁棒性，适用于复杂背景和多种目标情景，具有较强的实用性和应用前景。
-
公开(公告)号：CN118411604A
公开(公告)日：2024-07-30
申请号：CN202410503735.X
申请日：2024-04-25
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/26 , G06V10/77 , G06V10/58 , G06V10/764 , G06V10/82 , G06V10/30 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于轻量化扩散模型去噪网络的高光谱图像分类方法，本发明基于对原始高光谱图像提取PCA分量，并将PCA图像块和原始高光谱图像切割成的图像块作为输入至扩散模型进行去噪网络训练；并对扩散模型解码器简化后，利用输入预训练解码器生成需要的高光谱图像块样本，增加原先数量较少的类别的样本数量；利用分类方法对生成样本的合理性进行测试。相较于传统的高光谱图像分类方法，本方案通过增加样本数量和提升样本类间平衡度的数据扩充方法从而提升高光谱图像分类准确度，并且利用PCA图像块和加噪图像块对扩散模型解码器进行预训练，使得解码器能够从高光谱图像中充分获取全局空间和光谱信息，从而生成更为真实的高光谱图像，提高生成样本真实性。
-
公开(公告)号：CN117152504A
公开(公告)日：2023-12-01
申请号：CN202311069311.9
申请日：2023-08-23
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/096 , G06N3/0895
Abstract: 本发明公开了一种空间相关性引导的原型蒸馏小样本分类方法，包括利用无标签光学遥感图像对CNN‑ViT双分支混合异构网络模型进行自监督预训练，以获得自监督预训练后的CNN‑ViT双分支混合异构网络模型；利用有标签光学遥感图像的模式特征、上下文关系特征和空间特征对上述网络模型进行元训练，以获得用于小样本分类的CNN‑ViT双分支混合异构网络模型；将待分类光学遥感图像输入用于小样本分类的CNN‑ViT双分支混合异构网络模型，以获得待分类光学遥感数据的分类结果。本发明可有效捕获潜在的空间判别性语义信息，提高小样本条件下光学遥感图像分类性能，解决了在有限样本条件下的鲁棒性特征表征能力差、容易过拟合的问题。
-
公开(公告)号：CN117152503A
公开(公告)日：2023-12-01
申请号：CN202311067475.8
申请日：2023-08-23
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于伪标签不确定感知的遥感图像跨域小样本分类方法，包括：获取源域遥感图像数据以及目标域遥感图像数据；利用源域遥感图像数据对深度学习骨干网络模型进行预训练，以获得深度学习骨干网络模型的预训练初始化参数；构建用于半监督跨域训练的教师‑学生网络模型；将源域遥感图像数据和目标域遥感图像数据输入教师‑学生网络模型进行训练，以获得训练后的深度学习骨干网络模型；将待测试遥感图像数据输入训练后的深度学习骨干网络模型，以获得待测试遥感图像数据的分类结果。本发明能够克服现有技术中高不确定性伪标签损害模型跨域学习的缺陷，提高深度学习方法对遥感图像跨域小样本分类的性能。
-
公开(公告)号：CN117079156A
公开(公告)日：2023-11-17
申请号：CN202311078425.X
申请日：2023-08-25
Applicant: 北京理工大学
IPC: G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于中间层特征提取和核范数最大化的跨域遥感场景分类方法，属于遥感图像处理领域。本发明的方法采用随机提取中间层特征的方法，以增强特征提取模块中模型的辨别能力。通过充分利用中间层特征，可以捕获遥感图像中的关键部分，减少源域和目标域之间的分布差异。本发明的方法中引入一个缩放因子，使预测输出更接近假设中的理想状态，并使用核范数最大化，以解决遥感数据集中类别间样本数量不平衡导致未标记样本预测多样性降低的问题。
-
Patent Agency Ranking
公开(公告)号：CN116363409A
公开(公告)日：2023-06-30
申请号：CN202211680294.8
申请日：2022-12-26
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N5/02 , G06V20/13 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于高精度全加网络的机载和星载遥感场景分类方法，所提出的全加网络相较于传统的卷积神经网络，在硬件部署时所需的资源开销大幅降低；此外面向全加网络这种新颖的网络结构，通过所提出的训练方法大幅缓解了其性能损失，使用所提出的训练方法可以获得资源高效、性能优越的全加网络，适合被应用于资源敏感场景中进行硬件部署；在资源、功耗严格受限的应用环境中，本发明可以满足深度神经网络的庞大的计算量与存储需求，为实现机载、小卫星平台的多功能遥感影像在线智能场景分类提供了支撑，在灾害预警及应急、环境监测、情报收集等民事及军事领域中都发挥着重要作用。
-
公开(公告)号：CN115909081A
公开(公告)日：2023-04-04
申请号：CN202211317049.0
申请日：2022-10-26
Applicant: 北京理工大学
Abstract: 本发明公开了边缘引导多尺度特征融合的光学遥感图像地物分类方法，涉及光学遥感图像处理技术领域，能够保留空间细节特征信息，并有效融合高层语义信息与低层细节信息，以得到精细准确的地物分类结果。包括以下步骤：主干网络对输入的光学遥感图像进行处理，获得多个不同层次的特征图，将不同层次的特征输入边缘特征提取模块，通过边缘真值图监督该模块的学习过程，并由卷积网络输出多尺度边缘感知特征。多尺度边缘感知特征和高层特征输入边缘引导特征融合模块，通过矩阵相关运算和卷积层实现多尺度的特征融合，得到融合特征，并通过上采样输出分割结果。最后由真值图监督分割结果，以监督整个学习过程。下面将详细介绍各个模块。
-
公开(公告)号：CN112100568B
公开(公告)日：2022-11-25
申请号：CN202010605839.3
申请日：2020-06-29
Applicant: 北京理工大学
Abstract: 本发明公开了定点傅里叶变换FFT处理器及处理方法，涉及数字信号处理技术领域，能够达到FFT运算长度、定点处理精度可变的目的。本发明用于对采集自通信系统、雷达系统或者数字广播系统的数字信号进行FFT运算转换为频域信号，以获取数字信号的频域信息。采用基‑27算法实现FFT运算，对FFT运算中使用的旋转因子进行分解，分解得到7级运算组和一级旋转因子乘法运算。处理器包括级联的七个运算模块和一级旋转因子乘法模块，七个运算模块分别为Stage1～Stage7，分别用于执行分解得到的7级运算组。Stagei中包含蝶形运算单元BF以及反馈存储RAM，BF用于执行当前运算组内的加减法运算。Stage2～Stage6中还包含级联的常数因子乘法器，用于实现当前运算组中的常数因子乘法运算。
-
公开(公告)号：CN115186796A
公开(公告)日：2022-10-14
申请号：CN202210625684.9
申请日：2022-06-02
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于FPGA的卷积神经网络自动部署方法及设备，通过构造自动化的神经网络编译设备，对各种输入的卷积神经网络模型，进行通用性的、面向硬件的优化处理，减少网络复杂度；并利用编译后得到的自定义硬件指令对基于FPGA的、包含了系列通用加速模块的神经网络硬件加速设备进行配置，控制其运算，实现了不同卷积神经网络模型在通用硬件加速设备上的自动、高效部署。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.099 seconds)
