-
公开(公告)号：CN118628357A
公开(公告)日：2024-09-10
申请号：CN202410803466.9
申请日：2024-06-20
Applicant: 北京卫星信息工程研究所
IPC: G06T3/4076 , G06V10/58 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06V10/82 , G06V10/80
Abstract: 本发明涉及一种基于transformer的跨模态融合高光谱图像超分重建方法，包括：基于场景匹配的RGB图像和高光谱图像，获得融合token序列；采用随机掩膜机制对视觉transformer的编码器和解码器进行联合训练，完成特征重构；步骤S3、构建基于解码器重构的图像与真值图像的相似度的损失函数，对视觉transformer的编码器和解码器进行优化；利用图像重建模块对优化后的视觉transformer的编码器提取的特征进行超分重建。本发明，降低了高光谱图像超分重建的对于数据强配准的要求，扩展了该技术的应用场景，同时空间分辨率提升后的高光谱数据有利于优化下游任务算法的性能，从增强数据的角度降低模型的设计难度，使高光谱数据能够适配于更多的遥感领域任务。
-
公开(公告)号：CN116630820B
公开(公告)日：2024-02-06
申请号：CN202310530434.1
申请日：2023-05-11
Applicant: 北京卫星信息工程研究所
IPC: G06V20/13 , G06V10/26 , G06V10/32 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种光学遥感数据星上并行处理方法与装置，所述装置包括：主控与预处理模块(100)，用于通过星务轮询方式获取光学遥感数据并进行预处理与切片处理；至少一个数据处理模块(200)，用于对所述预处理与切片处理后的光学遥感数据进行目标的并行检测识别或语义分割，再将结果回传至所述主控与预处理模块理模块(100)和所述数据处理模块(200)上电；背板(400)，用于连接所述主控与预处理模块(100)、所述数据处理模块(200)和所述电源模块(300)。通过实施本发明的上述方案，可用于光学遥感卫星数据的在轨并行处理，从而实现目标的在轨实时检测识别以及光学遥感数据的在轨实时语义分割。(100)；电源模块(300)，用于对所述主控与预处
-
公开(公告)号：CN116486265B
公开(公告)日：2023-12-19
申请号：CN202310468626.4
申请日：2023-04-26
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/766 , G06V10/422 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明涉及一种基于目标分割与图分类的飞机细粒度识别方法，包括：构建并训练基于Mask R‑CNN的目标定位与分割模型，对遥感图像中的飞机目标进行检测与分割；对分割出的飞机目标掩膜通过轮廓提取和多边形拟合提取轮廓多边形，将轮廓多边形的线段作为节点，将线段的几何特征和线段对应部件的卷积特征作为节点属性，并根据线段间的空间关系构建图结构数据；构建融合几何特征和卷积特征的图卷积神经网络模型；利用所述图结构数据训练所述图卷积神经网络模型，对描述飞机形状特征和部件特征的图结构进行整图分类，实现飞机目标的细粒度识别。通过实施本发明的上述方案，通过综合利(56)对比文件US 2020285944 A1,2020.09.10US 2022343537 A1,2022.10.27瑚敏君 等.基于实例分割模型的建筑物自动提取《.测绘通报》.2020,(第4期),第16-20页.
-
公开(公告)号：CN116416531B
公开(公告)日：2023-12-19
申请号：CN202310409310.8
申请日：2023-04-17
Applicant: 北京卫星信息工程研究所
IPC: G06V20/13 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明涉及一种基于动态重参数化的遥感图像目标检测方法、设备及存储介质，基于动态重参数化的遥感图像目标检测方法包括：步骤S1、获取遥感图像及对应的真值标签；步骤S2、基于深度学习网络构建目标检测模型，并完成模型训练；步骤S3、利用步骤S2中的目标检测模型进行动态重参数化拓展，并对拓展后的目标检测模型进行在线训练；步骤S4、重复执行步骤S3，得到优化后的目标检测模型；步骤S5、对优化后的目标检测模型进行微调，利用重参数化方法吸收拓展的增强卷积，得到压缩的目标检测模型；步骤S6、利用压缩后的目标检测模型对遥感图像进行检测。本发明，解决了遥感图像目标检测任务中主干特征提取网络因结构参数设计不当而导致性能不足的问题。
-
公开(公告)号：CN116403007B
公开(公告)日：2023-12-19
申请号：CN202310390010.X
申请日：2023-04-12
Applicant: 北京卫星信息工程研究所
IPC: G06V10/74 , G06V10/62 , G06V10/82 , G06V20/10 , G06V10/766 , G06V10/764 , G06V10/80
Abstract: 本发明涉及一种基于目标向量的遥感影像变化检测方法，包括：使用向量对遥感序列影像进行样本标注；构建目标向量检测模型，将已标注的遥感序列影像输入所述目标向量检测模型进行训练；利用所述目标向量检测模型对同一区域不同时间的遥感影像中的所有目标进行检测，得到不同集合的目标向量；利用变化相似度算法计算不同集合中目标向量的相似度距离，获得目标的变化情况。通过实施本发明的上述方案，可以实现遥感影像中目标变化前后的高精度匹配和精细化的变化检测。
-
Patent Agency Ranking
公开(公告)号：CN116385600B
公开(公告)日：2023-12-19
申请号：CN202310376114.5
申请日：2023-04-10
Applicant: 北京卫星信息工程研究所
IPC: G06T11/60 , G06F40/289 , G06F40/216 , G06F16/9532 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种遥感图像目标特性的分布式表征方法、装置及电子设备，所述方法包括：利用非结构化文本的先验信息对目标特性进行表达；结合结构化遥感图像知识对非结构化文本表达进行筛选；训练遥感图像语义环境模型，分布式表征遥感图像中的目标特性。通过实施本发明的上述方案，可以实现结合非结构化文本知识与结构化图像知识的目标特征表达。
-
公开(公告)号：CN116385881B
公开(公告)日：2023-11-14
申请号：CN202310378004.2
申请日：2023-04-10
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明涉及遥感图像地物变化检测方法及装置，包括获取同一区域不同时相的两幅图像；利用两个共享权重的U‑Net作为主干网络，对输入的两个时相的遥感图像，经过主干网络的两个分支进行特征提取；对两个分支提取的特征进行局部交换；通过多头自注意力机制，对交换后得到的特征进行全尺度的特征提取；再对两个分支的遥感图像恢复空间尺度，然后对特征进行融合，得到新的融合分支；利用U‑Net网络的两个分支和融合分支进行地物变化检测，得到遥感图像地物变化检测结果。本发明能够有效提高遥感图像地物变化的检测精度。
-
公开(公告)号：CN116645448A
公开(公告)日：2023-08-25
申请号：CN202310457856.0
申请日：2023-04-25
Applicant: 北京卫星信息工程研究所
IPC: G06T11/40 , G06V10/74 , G06V20/13 , G06V10/82 , G06V10/764 , G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06N3/096
Abstract: 本发明涉及一种光学遥感影像的定量云自动添加方法及装置，所述方法包括：对真实无云光学遥感影像和真实有云光学遥感影像进行预处理；构建基于循环生成对抗网络的深度神经迁移网络；利用预处理后的真实无云光学遥感影像和真实有云光学遥感影像对所述基于循环生成对抗网络的深度神经迁移网络进行训练学习，实现云量的定量添加。通过实施本发明的上述方案，可以实现自动生成包含不同比例云的高质量典型目标的光学遥感影像训练样本。
-
公开(公告)号：CN116524368A
公开(公告)日：2023-08-01
申请号：CN202310403716.5
申请日：2023-04-14
Applicant: 北京卫星信息工程研究所
Abstract: 本发明涉及遥感图像目标检测方法，包括获取至少一幅包含待测目标的卫星遥感图像，利用卷积神经网络提取卫星遥感图像的多尺度特征，根据嵌入掩膜引导特征金字塔网络学习前景目标区域的特征，并生成用于提取原始图像中疑似目标区域的旋转候选框，利用旋转RoIAlign对齐操作对疑似目标区域进行特征提取，将提取到的特征送入由Smooth‑L1回归损失和角边距分类损失组成的有向检测头进行分类识别与回归定位。本发明提升了目标检测方法对港口等复杂背景的抗干扰能力，减少了云雾、形似干扰物造成的虚警，提高了目标检测的识别精度，可应用于高分辨率遥感图像中的船只、飞机等目标识别。
-
公开(公告)号：CN116416531A
公开(公告)日：2023-07-11
申请号：CN202310409310.8
申请日：2023-04-17
Applicant: 北京卫星信息工程研究所
IPC: G06V20/13 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明涉及一种基于动态重参数化的遥感图像目标检测方法、设备及存储介质，基于动态重参数化的遥感图像目标检测方法包括：步骤S1、获取遥感图像及对应的真值标签；步骤S2、基于深度学习网络构建目标检测模型，并完成模型训练；步骤S3、利用步骤S2中的目标检测模型进行动态重参数化拓展，并对拓展后的目标检测模型进行在线训练；步骤S4、重复执行步骤S3，得到优化后的目标检测模型；步骤S5、对优化后的目标检测模型进行微调，利用重参数化方法吸收拓展的增强卷积，得到压缩的目标检测模型；步骤S6、利用压缩后的目标检测模型对遥感图像进行检测。本发明，解决了遥感图像目标检测任务中主干特征提取网络因结构参数设计不当而导致性能不足的问题。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.031 seconds)
