-
公开(公告)号：CN119107561A
公开(公告)日：2024-12-10
申请号：CN202411205140.2
申请日：2024-08-30
Applicant: 南京理工大学
IPC: G06V20/13 , G06V20/10 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度融合和集成核自适应学习的变化检测方法及系统，方法包括以下步骤：构造暹罗敏感性增强特征提取网络用于提取双时态特征；建立多尺度双时融合注意模块融合各分支的双时图像；定义嵌套解码器由跳跃连接方式构成以保留高维语义细节和细粒度定位细节；构造集成核自适应学习模块融合四个级别的输出特征，融合多尺度语义信息；提取优化结果，输出变化区域。本发明能够很好地缓解特征提取过程中特征冗余造成的伪变化现象，更有效地识别双时特征中的重要成分，增强特征表达多样性，捕捉图像中的细微变化降低在小变化区域的漏检率。
-
公开(公告)号：CN118587136A
公开(公告)日：2024-09-03
申请号：CN202410717318.5
申请日：2024-06-04
Applicant: 南京理工大学
IPC: G06T5/92 , G06T5/80 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种机载LiDAR和高光谱协同探测的地物分类原型增强网络方法，包括：机载LiDAR和高光谱协同的数据采集；LiDAR数据辅助的高光谱数据校准；分配辅助模态并构建元任务；采用深度残差学习分别进行双模态特征编码；利用同场景辅助LiDAR模态协同基础高光谱模态进行模态间增强原型学习；利用目标场景辅助高光谱模态对增强的原型进行模态内增强原型学习；采用对抗学习减小不同来源、不同模态数据间的分布差异；基于双模态增强原型的少样本分类；使用加权损失函数训练网络。本发明利用辅助模态提供的先验知识，改进复杂场景下的少样本原型表征，设计了模态间和模态内增强原型学习模块以获得更细粒度且更稳定的原型。
-
公开(公告)号：CN117496122A
公开(公告)日：2024-02-02
申请号：CN202311455342.8
申请日：2023-11-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种水平集演化驱动的掩码评分实例分割方法，包括：1)采用目标检测网络、区域提议网络检测进行各实例的特征提取；2)采用分割网络，将各个实例的分割任务解耦为四个子任务，由四个子网络分别执行包围盒预测、类别预测、掩码特征概率图预测和掩码交并比评分预测；3)建立四个子任务预测输出的网络参数化表达；4)构造网络模型的损失函数，包含包围盒损失项、类别损失项、掩码水平集损失项和掩码交并比评分损失项；5)对网络进行端对端训练并可进行部署测试。本方法通过引入数据驱动神经网络和水平集模型的联合表达机制，能改善实例目标的分割区域完整性和边缘的光滑性，可广泛应用于自然场景、医学影像等目标的精准分割任务中。
-
公开(公告)号：CN117132888A
公开(公告)日：2023-11-28
申请号：CN202311018256.0
申请日：2023-08-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种深度特征前向差异提取与后向回溯修正的变化检测方法与系统，方法包括：在深度特征前向差异提取模块进行差异特征提取，训练深度孪生网络提取双时相图像多尺度特征，设计差异检测模块获取多尺度差异，同时将通道注意力模块和空间注意力模块应用到差异检测模块中，使差异特征更具有辨别性；在后向回溯修正模块中进行差异的修正，利用差异修正单元来学习更精确的边界特征，避免边界检测结果和变化区域预测结果分离，从最深的网络层开始回溯修正，通过将多个边界信息引导模块应用到不同的卷积层，最终生成更准确的变化结果。本发明能够有效处理变化检测存在的微小变化不易检测、建筑物边界模糊的问题，提高变化检测的准确度。
-
公开(公告)号：CN112634167B
公开(公告)日：2023-09-01
申请号：CN202011608483.5
申请日：2020-12-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种全变差协同范数约束迭代投影的高光谱图像滤波方法，该方法包括：将三维的高光谱图像逐波段转化为二维光谱‑像元矩阵；构造线性差分算子计算水平和垂直方向的梯度图像；构造协同范数约束集合，应用投影公式更新对偶变量和潜在图像的主变量；应用奇异值收缩算法更新矩阵低秩约束的辅助变量；判断终止条件决定是否继续迭代。本发明利用全变差协同范数约束高光谱图像的空间维和光谱维的平滑性，利用核范数约束高光谱图像的光谱低秩相关性，主对偶迭代优化求解在滤除图像噪声的同时，有效地保持了图像的空间结构和光谱特性，可以广泛应用于高光谱图像高斯、混合和条带噪声的去除。
-
Patent Agency Ranking
公开(公告)号：CN115795221A
公开(公告)日：2023-03-14
申请号：CN202211543502.X
申请日：2022-12-03
Applicant: 南京理工大学
Abstract: 本发明公开了一种联合深度先验和可学习成像模型的光谱计算成像方法与装置，涉及光谱计算成像领域。本发明方法包括两个阶段，训练阶段中构建用于训练的高光谱数据集；利用半二次方分裂算法迭代求解优化问题，并根据迭代步骤构建深度展开网络；利用均方根误差函数作为所述网络损失函数，并训练；满足一定终止条件后，保存网络结构及参数。使用阶段，建立压缩光谱数据采集装置；采集压缩光谱数据并进行预处理，利用训练阶段保存的模型对压缩光谱数据进行重建。本发明利用深度先验项对数据进行多频率增强，有效地提高了方法的细节纹理恢复能力以及重构精度，同时该装置可以兼顾灵活性与可解释性的应用需求。
-
公开(公告)号：CN112699929B
公开(公告)日：2022-11-01
申请号：CN202011568917.3
申请日：2020-12-25
Applicant: 南京理工大学
Abstract: 本发明公开了一种多监督递归学习的深度网络多源光谱图像融合方法，包括：采取递归学习，构成递归残差子网络，每个递归残差子网络的输出和输入相加作为下一递归残差子网络的输入；网络由预超分辨模块和融合模块构成，预超分辨模块实现上采样插值的自动学习，预超分辨图像与多光谱图像拼接作为融合模块输入；采取多个递归残差子网络堆叠方法建立预超分辨模块和融合模块；采用多监督学习方式，低层、中间层与高层特征经过拼接与卷积层形成各级中间融合图像；以L1范数和光谱角作为损失函数的两个度量，各级中间融合图像与真实图像建立联合损失函数，进行端对端网络训练。仿真实验结果证明了本发明对于多远光谱图像融合的有效性。
-
公开(公告)号：CN114862733A
公开(公告)日：2022-08-05
申请号：CN202210528527.6
申请日：2022-05-16
Applicant: 南京理工大学
Abstract: 本发明公开了一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法，该方法包括：对高光谱图像应用解混模型，建立高分辨丰度与低分辨丰度间的退化关系；结合高光谱图像解混过程，优化低分辨率丰度以及高分辨率丰度；构建空间退化网络以及光谱退化网络学习图像间退化关系，空间退化网络能够同时适应丰度以及高光谱图像的输入；构建残差块优化中间图像，学习更加精细的特征；网络损失函数为L1范数。本发明方法应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合有优异性能。
-
公开(公告)号：CN114241208A
公开(公告)日：2022-03-25
申请号：CN202111605921.7
申请日：2021-12-25
Applicant: 南京理工大学
Abstract: 本发明公开了一种图像间变化检测的局部和全局深度对比特征学习网络构建方法，包括：对输入图像进行编码获得全局高维表示特征；构造特征域与全局特征相似的正样本数据和不相似的负样本数据；度量全局特征与构建的正负样本数据之间的关联程度；建立特征域层级化输入的带约束先验模型；获得最优的编码表示特征；迭代优化概率模型，求解差异概率图矩阵；输出二值变化结果图。本发明充分利用特征域层级化输入的结构信息，构建一个基于正负样本的全局特征、局部特征和先验损失三项的网络损失函数，通过优化损失函数更新编码器的参数，使得编码器能有效地学习图像间的局部和全局深度对比特征，体现抽象的语义信息和空间信息的关联性。
-
公开(公告)号：CN114219824A
公开(公告)日：2022-03-22
申请号：CN202111554433.8
申请日：2021-12-17
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度网络的可见光‑红外目标跟踪方法及系统，包括：构建对称的双流孪生网络，包括可见光子网络和红外子网络；将可见光样本‑候选图像和红外样本‑候选图像分别输入到可见光子网络和红外子网络，提取模板和候选特征；通过通道注意力模块和通道‑空间联合注意力模块增强模板和候选特征；将原始模板和候选特征及增强的模板和候选特征均通过分类分支和回归分支进行分类、分支，得到对应的分类响应图和回归响应图；对分类响应图和回归响应图进行融合；通过自适应峰值选择模块处理分类响应图和回归响应图，获取目标定位。本发明在保证跟踪鲁棒性的同时仍能高速运行，应用于可见光‑红外目标跟踪任务具有优异的性能。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.03 seconds)
