公开(公告)号：CN116524409A

公开(公告)日：2023-08-01

申请号：CN202310527759.4

申请日：2023-05-11

Applicant: 安徽大学

Inventor： 唐俊 ,  汪振涛 ,  王科 ,  朱明

IPC: G06V20/40 ,  G06V20/52 ,  G06V10/82 ,  G06V10/80 ,  G06V10/74 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明提出了一种基于自我引导编码器的弱监督视频异常检测方法，具体包含以下步骤：对原始视频数据进行处理；将视频数据输入主干网络进行特征计算，并将其输入自我引导特征编码器进行训练，编码器的两个分支将分别输出视频的帧级别异常得分；将自我引导分支的帧级别异常得分送入t分布因子分析模块进行拟合，得到帧级别的伪标签；使用再次伪标签监督训练自我引导特征编码器，不断更新伪标签，训练完成的编码器注意力分支输出预测的帧级别异常得分；根据设定的异常阈值进行异常判断。本发明利用自我引导特征编码器，在捕获不同异常事件间的依赖关系的同时，自动定位到视频帧中最异常的部分，从而达到提高异常检测精度以及降低误报率的目的。

公开(公告)号：CN119206563A

公开(公告)日：2024-12-27

申请号：CN202411097071.8

申请日：2024-08-12

Applicant: 安徽大学

Inventor： 贾兆红 ,  张子豪 ,  王科

IPC: G06V20/40 ,  G06V10/82 ,  G06F16/36 ,  G06F18/25 ,  G06F18/22 ,  G06V10/764 ,  G06N3/0985 ,  G06N3/0895

Abstract: 本发明公开了一种基于多重提示学习的弱监督视频异常检测方法，包括：1)将视频数据通过视频特征提取器提取得到原始特征；2)将原始特征输入到全局‑局部时间依赖性网络获得时间增强特征；3)将标签文本分别通过知识图谱和待学习提示获得两种不同的提示信息；4)将两种提示信息与时间增强特征进行跨模态融合；5)将时间增强特征通过片段分类器获得片段异常得分，通过设计损失函数来优化网络实现视频的异常检测任务。本发明只利用视频级标签，通过构造自注意力的双分支结构来提取片段的全局和局部时间依赖关系，并通过两种不同方式提取文本提示信息与片段特征进行跨模态融合，补充了视频的异常信息，有效提升了视频异常检测的准确度。

公开(公告)号：CN119131484A

公开(公告)日：2024-12-13

申请号：CN202411219705.2

申请日：2024-09-02

Applicant: 安徽大学

Inventor： 梁栋 ,  刘少杰 ,  王科 ,  方俊杰

IPC: G06V10/764 ,  G06V10/774 ,  G06T5/70 ,  G06F17/10

Abstract: 本发明公开了一种基于自监督学习的小样本高光谱图像分类方法，包括：1、将基类数据集划分为支持集和查询集，新类数据集划分为有标签数据集和无标签数据集；2、对基类数据集进行随机打乱拼图并给予标签，对有标签数据集进行样本扩充，并划分为支持集和查询集；3、搭建小样本高光谱图像分类网络；4、通过基类自监督训练完成特征提取器的参数更新，并使用更新后的特征提取器进行新类训练；5、通过Adam优化器来优化模型参数，以得到最优小样本高光谱图像分类模型。本发明通过基于拼图任务的自监督学习策略学习可转移的空间元知识，还通过基于增强图像的对比学习策略，学习更具判别性的个体知识，从而提高了高光谱图像的分类精度。

公开(公告)号：CN118334466A

公开(公告)日：2024-07-12

申请号：CN202410442240.0

申请日：2024-04-12

Applicant: 安徽大学

Inventor： 贾兆红 ,  关亚虎 ,  王科 ,  叶鸿

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/44 ,  G06V10/42 ,  G06V10/77

Abstract: 本发明公开了一种基于偏多标记学习的图像标注方法，包括：1)构建特征信息矩阵和逻辑标记矩阵；2)建模分类器相关性和噪声标记矩阵；3)学习全局标记相关性和局部标记相关性，基于最小生成树(MST)技术来获得特征空间的全局流形结构信息，然后将其转换为标记空间，作为全局标记相关性，同时引入一个局部标记流形正则器来捕获局部标记相关性；4)通过迭代优化策略求解模型；5)利用训练好的模型对新的图像进行标记预测，实现对未见图像的标注。本发明使用偏多标记学习来解决图像标注任务，同时利用了全局和局部标记相关性，通过一个协方差正则项来学习分类器相关性，从而有效的提高了图像标注的准确性。

公开(公告)号：CN115661480A

公开(公告)日：2023-01-31

申请号：CN202211387134.4

申请日：2022-11-07

Applicant: 安徽大学

Inventor： 唐俊 ,  左金梅 ,  王科 ,  张艳

IPC: G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06T3/40 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明涉及图像异常检测技术领域，解决了针对异常检测任务异常先验较少以及现有方法提取的特征质量不高的技术问题，尤其涉及一种基于多层次特征融合网络的图像异常检测方法，包括以下步骤：S1、获取待检测的图像数据；S2、将待检测的图像数据输入至多层次特征融合网络模型中生成单一图像所对应的异常分数图；S3、采用双线性插值方法将异常分数图上采样为原图大小，得到用于图像异常定位的像素级异常分数。本发明利用伪异常生成算法，将异常检测任务转化为监督学习任务，并构建多层次特征融合网络模型获得多层次语义信息，提高了异常检测的准确率。

公开(公告)号：CN118799183A

公开(公告)日：2024-10-18

申请号：CN202411027238.3

申请日：2024-07-30

Applicant: 安徽大学

Inventor： 梁栋 ,  高微 ,  王科 ,  叶鸿

IPC: G06T3/4053 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0442 ,  G06T7/30

Abstract: 本发明公开了一种空间、频域联合的任意尺度多模态遥感图像的超分辨率重建方法，包括：1、获取低分辨率的多模态遥感图像集与高分辨率图像，2、构建超分辨率重建网络，包括：上采样模块、浅层特征提取模块、N个级联的编码器模块、多模态融合模块、中间模块和N个级联的解码器模块以及通道映射模块，3、通过反向传播算法对所述超分辨率重建网络进行训练，并使用损失函数计算网络损失以更新网络参数，直至损失函数收敛为止，从而得到训练好的超分辨率重建模型。本发明能在大因子退化的场景下，解决重建结果语义错误和模糊效果的问题，从而能提高重建图像质量。

公开(公告)号：CN118781498A

公开(公告)日：2024-10-15

申请号：CN202411097043.6

申请日：2024-08-12

Applicant: 安徽大学

Inventor： 梁栋 ,  方俊杰 ,  王科 ,  刘少杰

IPC: G06V20/13 ,  G06N3/0455 ,  G06V10/44 ,  G06N3/08 ,  G06V10/82 ,  G06N3/048 ,  G06V10/80

Abstract: 本发明公开了一种基于多尺度特征互补和校验注意力网络的遥感图像变化检测方法，包括：1.将同一地区的不同时间的双时态RGB图像对作为输入进行特征提取；2.将每个阶段的双时态特征对输入到解码器中，其中包含多尺度特征互补模块和对互补特征对的减法操作；3.通过视野扩张模块和校验注意力模块进行渐进式跨尺度特征融合并通过网络的训练与优化得到最佳遥感图像变化检测网络，用于对任意双时态遥感图像进行高精度的变化检测。本发明能够减弱多个尺度上特征之间冗余信息的影响，并通过渐进式融合以获得检测效果更优的变化范围图像，从而更好地挖掘变化的特征信息，并提高对变化区域检测效果。

公开(公告)号：CN118172688B

公开(公告)日：2024-08-13

申请号：CN202410334921.5

申请日：2024-03-22

Applicant: 安徽大学

Inventor： 朱奇磊 ,  梁栋 ,  唐俊 ,  王科

IPC: G06V20/17 ,  G06V20/10 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06V10/26 ,  G06N3/0464

Abstract: 本发明涉及一种基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法，包括：利用无人机获取田间小麦种植区域的可见光遥感RGB影像进行预处理；基于DeeplabV3+与UNet结构网络构建小麦倒伏分割模型；将预处理后的无人机遥感RGB影像作为训练样本输入到小麦倒伏分割模型进行训练；获取待分割小麦倒伏区域影像，并进行预处理；将预处理后的待分割小麦倒伏区域影像输入小麦倒伏分割网络模型中，得到小麦作物倒伏区域图片的分割结果。本发明提高语义分割效果，有利于小麦倒伏分割提取任务；将主干特征提取网络各阶段输出结果与编码输出特征进行特征信息融合重建，逐步完善分割模型在不同尺度重建过程中的细节融合，从而提高小麦倒伏区域的分割精度。

公开(公告)号：CN116597352A

公开(公告)日：2023-08-15

申请号：CN202310555091.4

申请日：2023-05-16

Applicant: 安徽大学

Inventor： 唐俊 ,  李燕 ,  王科 ,  段章领

IPC: G06V20/40 ,  G06V10/774 ,  G06V10/82 ,  G06V10/10 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于因果时间关系模块的视频异常检测方法，该方法包括：首先收集视频数据作为训练集与测试，将其并划分为不重叠的片段，将视频视为包、片段视为示例；将视频示例输入至特征提取网络I3D中来提取其原始特征；利用因果时间关系模块来提取包含时间依赖关系的增强特征，将其输入到全连接层得到示例的异常得分，再通过设计的损失函数来训练模型；测试阶段将视频示例的原始特征输入最优的异常检测模型中，将预测结果与测试集的标签比对得到异常检测的准确率。本方法基于视频级标签，仅使用当前和历史的帧信息通过因果时间关系模块来提取时间相关性，有利于异常的在线检测，提升了异常检测的精度。

公开(公告)号：CN118172688A

公开(公告)日：2024-06-11

申请号：CN202410334921.5

申请日：2024-03-22

Applicant: 安徽大学

Inventor： 朱奇磊 ,  梁栋 ,  唐俊 ,  王科

IPC: G06V20/17 ,  G06V20/10 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06V10/26 ,  G06N3/0464

Abstract: 本发明涉及一种基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法，包括：利用无人机获取田间小麦种植区域的可见光遥感RGB影像进行预处理；基于DeeplabV3+与UNet结构网络构建小麦倒伏分割模型；将预处理后的无人机遥感RGB影像作为训练样本输入到小麦倒伏分割模型进行训练；获取待分割小麦倒伏区域影像，并进行预处理；将预处理后的待分割小麦倒伏区域影像输入小麦倒伏分割网络模型中，得到小麦作物倒伏区域图片的分割结果。本发明提高语义分割效果，有利于小麦倒伏分割提取任务；将主干特征提取网络各阶段输出结果与编码输出特征进行特征信息融合重建，逐步完善分割模型在不同尺度重建过程中的细节融合，从而提高小麦倒伏区域的分割精度。