-
公开(公告)号：CN110796167A
公开(公告)日：2020-02-14
申请号：CN201910913602.9
申请日：2019-09-25
Applicant: 武汉大学
Abstract: 本发明涉及一种基于提升方案深度神经网络的图像分类方法。本发明结合了提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。
-
公开(公告)号：CN108230313A
公开(公告)日：2018-06-29
申请号：CN201810005380.6
申请日：2018-01-03
Applicant: 武汉大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于部件自适应选择与判别模型的SAR图像目标检测方法。本发明采用多尺度部件模型对SAR图像进行建模，充分考虑了其结构信息，且部件的自适应选择使得检测到的子部件与其实际尺寸更加符合，更具有实际意义。此外，惩罚因子的引入对模型做了进一步优化，而最终采用的SANMS方法对重复包围框的滤除，也极大地降低了虚警率。本发明在检测方法中考虑了目标结构，可以更加精确地检测到子部件。
-
公开(公告)号：CN107818555A
公开(公告)日：2018-03-20
申请号：CN201711022705.3
申请日：2017-10-27
Applicant: 武汉大学
Abstract: 本发明涉及一种基于最大后验的多字典遥感图像时空融合方法，首先对高低分辨率差分图像后进行粗分类，对每种类别取出图像块，形成每类的训练样本矩阵，从而训练出多类别的高低分辨率字典。多字典学习，考虑了图像中不同地貌具有不同形状和纹理，使得训练出的字典更具有针对性，能更好捕获地貌间的差别。在求解稀疏系数之前采用最大后验概率模型进行字典组别的选择，通过区域像素到字典之间的似然函数，和区域像素字典之间的先验函数，计算出最大后验概率，从而将低分辨率差分输入图像像素点分到对应的字典组。每组像素点在对应组别的低分辨率字典下进行稀疏编码，得到稀疏表示系数。稀疏表示系数乘以对应的高分辨率字典，得到高分辨率差分图像。
-
公开(公告)号：CN107506726A
公开(公告)日：2017-12-22
申请号：CN201710725823.4
申请日：2017-08-22
Applicant: 武汉大学
Abstract: 本发明涉及一种基于二次型基元多层网络的SAR图像分类方法，包括步骤：步骤1，准备待分类SAR图像数据集，从待分类图像中随机选取各类图像中一定比例作为训练数据，其余作为测试数据；步骤2，构建基于二次型基元多层网络，将待分类的SAR图像中的训练数据输入，采用批量梯度下降进行训练；所述基于二次型基元多层网络包括输入模块，二次型模块，卷积模块，全连接与分类模块；步骤3，将测试数据数据输入到训练好的基于二次型基元多层网络，求解输出向量的最大值，该最大值对应的维数即为输入SAR图像所对应的类别。本发明通过多层网络学习各统计量之间的关系，对SAR图像的统计特性描述进行学习，用于SAR图像分类性能提升明显。
-
公开(公告)号：CN106709465A
公开(公告)日：2017-05-24
申请号：CN201611249273.5
申请日：2016-12-29
Applicant: 武汉大学
IPC: G06K9/00
CPC classification number: G06K9/00651
Abstract: 本发明提供一种基于条件随机场的极化SAR图像道路提取方法，构建一个条件随机场框架实现道路提取，包括以利用多尺度线状目标检测算子MLFD对输入SAR图像构建金字塔，获得多尺度的图像金字塔；通过CRF进行建模，引入上下文信息，其中单元势函数通过logistic函数建模，根据成对势函数设定采用Beamlet分解方式寻找最优划分；采用相关约束来对道路的基元进行编组和标记，描述成对势函数，合并从全局数据中得到的信息，对特征矩阵进行统一的归一化处理。应用本发明技术方案进行道路提取的效率高，精度好，适于推广使用。
-
Patent Agency Ranking
公开(公告)号：CN101853386B
公开(公告)日：2012-06-13
申请号：CN201010177899.6
申请日：2010-05-14
Applicant: 武汉大学
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于拓扑树的局部形状模式的图像纹理基元特征提取方法。本发明包括根据像素灰度值v对图像I进行水平集(Level Set)分层、构建拓扑树结构T、构建编码同心圆模板、将节点形状缩放到于同心圆模板大小相当、将缩放后的节点形状与同心圆模板重叠，与每个扇区fnm的重叠关系进行二进制编码、将每个节点形状在每个圆的所有M个扇区的编码值统计一个频数直方图，再将N个圆的频率直方图拼接、将图像拓扑树中所有参与编码的形状的纹理特征描述相加。本发明可以避免纹理信息在滤波或变换过程中丢失，更加全面完整地对图像纹理进行描述，可以提高基于纹理基元特征的检索、分类、分割等图像处理应用的准确率。
-
公开(公告)号：CN117095255A
公开(公告)日：2023-11-21
申请号：CN202310956335.X
申请日：2023-07-31
Applicant: 武汉大学
IPC: G06V10/774 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于采样偏移的无锚框遥感小目标检测优化方法与装置，涉及计算机视觉图像目标检测技术领域，该方法包括以下步骤：获取遥感图像，通过特征提取，得到遥感图像的特征图；将所述特征图，通过预测模块，获得分类预测结果、中心度预测结果、回归预测结果和采样偏移预测结果；计算分类预测结果的损失、中心度预测结果的损失、回归预测结果的损失和采样偏移预测结果的损失；将所述分类预测结果的损失、中心度预测结果的损失、回归预测结果的损失和采样偏移预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。本发明提供的方法能够有效提升基础目标检测网络的检测精度。
-
公开(公告)号：CN115719369A
公开(公告)日：2023-02-28
申请号：CN202211435414.8
申请日：2022-11-16
Applicant: 武汉大学
IPC: G06T7/33 , G06T3/00 , G06F17/16 , G06N3/0464
Abstract: 本发明公开的基于深度神经网络内容感知的图像配准方法及系统，方法包括：预处理输入的目标图像和源图像，获取灰度图像；输入两幅灰度图像经多尺度结构处理，获取多尺度特征图；输入每个尺度的两幅特征图至上下文相关性计算模块，运算获取两者之间的特征对应关系；输入每个尺度的两幅特征图之间的特征对应关系至矩阵预测网络，获取粗配准的全局单应性矩阵；根据粗配准的全局单应性矩阵变换特征图后输入至内容感知模块，获取精配准的全局单应性矩阵；根据精配准全局单应性矩阵，控制源图像配准目标图像。本申请提供的基于深度神经网络内容感知的图像配准方法，通过增加网络的多尺度结构和上下文相关性计算模块，有效提升预测矩阵配准的准确度。
-
公开(公告)号：CN112288084B
公开(公告)日：2022-09-02
申请号：CN202011146960.0
申请日：2020-10-23
Applicant: 武汉大学
IPC: G06N3/08 , G06N3/04 , G06V10/82 , G06V10/774 , G06V20/10
Abstract: 为了解决传统深度学习网络压缩方法不适用于需要精确回归检测坐标的目标检测网络、方法泛用性差且对网络精度损失大的问题，通过将引入特征图通道级稀疏化概念，使压缩方法在可实现性和灵活性上实现较好的折中，能有效应用到任何典型的目标检测网络。本发明公开了一种基于特征图通道重要性的深度学习目标检测网络压缩方法，采取引入BN层gamma参数作为衡量特征图通道重要性程度因子的方法，通过在训练损失函数中加入该参数稀疏化因子，在几乎不损失网络检测精度情况下，实现对目标检测网络的参数压缩。
-
公开(公告)号：CN110765912B
公开(公告)日：2022-08-05
申请号：CN201910976785.9
申请日：2019-10-15
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 为了解决现有SAR图像目标检测方法对SAR图像特征表征能力不足的问题，通过在提取SAR图像特征时，除去提取传统纹理特征之外还结合提取其统计特征，使得SAR图像的统计分布特性得到充分学习，可以有效提高SAR图像船舶目标检测精确度本发明公开了一种基于统计约束和Mask R‑CNN的SAR图片船舶目标检测方法，采取多阶段检测网络模型，通过在特征提取端添加统计约束层来提取SAR图像统计特性，使用数据集训练网络，指导网络参数的学习，得到更适用于SAR图像船舶目标检测的网络结构。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.022 seconds)
