-
公开(公告)号：CN113327218B
公开(公告)日：2023-08-25
申请号：CN202110646163.7
申请日：2021-06-10
Applicant: 东华大学
IPC: G06T5/50 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了一种基于级联网络的高光谱与全色图像融合方法，属于图像处理技术领域，包括以下步骤：将细节注入方法与光谱解混模型集成到一个级联的卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素的丰度进行估计，进而重构高空间分辨率的高光谱图像。本发明通过引入全色图像，与高光谱图像进行融合，可提升高光谱图像的空间分辨率，同时，减小融合图像的光谱失真现象。通过建立基于级联卷积网络的高光谱图像融合模型，将细节注入方法与光谱解混模型整合为一个端到端的网络结构，能够有效地提取到输入的多源图像的空间和光谱信息，以生成高分辨率图像各端元的丰度值。
-
公开(公告)号：CN119805358A
公开(公告)日：2025-04-11
申请号：CN202411821454.5
申请日：2024-12-11
Applicant: 东华大学
Abstract: 本发明涉及一种基于极化敏感平行阵列的二维DOA和极化参数估计方法，包括以下步骤：根据总阵元数确定所述极化敏感平行阵列参数；根据步骤1中确定的极化敏感平行阵列参数，设计分离式极化敏感稀疏阵列；基于分离式极化敏感稀疏阵列，结合阵列沿其法线方向运动推导虚拟面阵；基于得到的虚拟面阵，求取所述虚拟面阵在空域‑极化域的差分共阵域上的自由度；基于虚拟面阵，根据虚拟阵列结构推导基于ESPRIT的多维参数估计算法，并以求取的自由度作为参数估计算法的最大可估计信源数上限，利用参数估计算法获取每个信号的二维DOA和极化参数估计。与现有技术相比，本发明的阵列具有低互耦、高自由度、大孔径特点，参数估计方法具有低复杂度和自动参数匹配等优点。
-
公开(公告)号：CN111402909A
公开(公告)日：2020-07-10
申请号：CN202010136498.X
申请日：2020-03-02
Applicant: 东华大学
IPC: G10L21/02 , G10L21/0216 , G10L21/0232 , G10L25/03 , G10L19/02
Abstract: 本发明提供了一种基于恒定常数频域变换下的语音增强方法，属于在恒定常数Q频域转换下基于非负矩阵分解(NMF)算法的语音增强技术。主要涉及的步骤就是通过恒定常数Q频域转换提取语音频域参数，然后使用NMF算法训练语音字典进行降噪。CQT变换有效的降低了FFT变换在低频时的周期截断问题，同时使用NMF算法训练字典，有效的提高了语音在低频时的分辨率，使增强后的语音有更好的听觉效果。
-
公开(公告)号：CN118244222A
公开(公告)日：2024-06-25
申请号：CN202410102473.6
申请日：2024-01-24
Applicant: 东华大学
IPC: G01S7/41 , G06F18/23213 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种轻量级雷达距离‑多普勒谱目标检测方法。本发明观察到目前算法存在检测精度较低和模型推理速度非常慢的问题，参考YOLOv7‑tiny轻量级网络架构，结合雷达数据的特点进行算法改进，有效地提升了雷达张量数据目标检测技术的检测精度和检测速度。首先，本发明设计了一个更高效的轻量级主干网络，能够更有效地进行特征提取。其次，本发明设计了新的特征融合网络，通过实验，采用了合适的注意力机制使算法能够关注更重要的特征层，采用轻量化算子进一步减少了参数量，并使用跳跃连接有效防止了信息损失。最后，本发明通过实验，采用了更适合雷达张量数据的数据增强方法，有效地提升算法的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN113744134B
公开(公告)日：2023-07-25
申请号：CN202111078301.2
申请日：2021-09-15
Applicant: 东华大学
IPC: G06T3/40 , G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提出了一种基于光谱解混卷积神经网络的高光谱图像超分辨方法，属于图像处理技术领域。将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。本发明模型可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。
-
公开(公告)号：CN114048810A
公开(公告)日：2022-02-15
申请号：CN202111326280.1
申请日：2021-11-10
Applicant: 东华大学
Abstract: 本发明涉及一种基于多层次特征提取网络的高光谱图像分类方法，其特征在于，构建了一个多层次联合特征提取网络，该多层次联合特征提取网络以轻量化的架构获取高光谱像元每个波段上最具有区分性的特征，并将其转化为全局注意力细节用于进一步的联合特征提取，得到深层次的语义特征，进而提升高光谱图像的分类效果。本发明通过充分利用高光谱图像的光谱信息，可以在一定量样本的条件下完成对地物的分类，同时有效降低特征提取过程的参数数量，有效的对抗了“Hughes”现象。本发明提供的模型可以充分利用高光谱图像的光谱特征，有效地缓解其它方法面临的高光谱图像中像元存在的高类内差异性与高类间相似性的问题。
-
公开(公告)号：CN111402909B
公开(公告)日：2023-07-07
申请号：CN202010136498.X
申请日：2020-03-02
Applicant: 东华大学
IPC: G10L21/02 , G10L21/0216 , G10L21/0232 , G10L25/03 , G10L19/02
Abstract: 本发明提供了一种基于恒定常数频域变换下的语音增强方法，属于在恒定常数Q频域转换下基于非负矩阵分解(NMF)算法的语音增强技术。主要涉及的步骤就是通过恒定常数Q频域转换提取语音频域参数，然后使用NMF算法训练语音字典进行降噪。CQT变换有效的降低了FFT变换在低频时的周期截断问题，同时使用NMF算法训练字典，有效的提高了语音在低频时的分辨率，使增强后的语音有更好的听觉效果。
-
公开(公告)号：CN113744134A
公开(公告)日：2021-12-03
申请号：CN202111078301.2
申请日：2021-09-15
Applicant: 东华大学
Abstract: 本发明提出了一种基于光谱解混卷积神经网络的高光谱图像超分辨方法，属于图像处理技术领域。将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。本发明模型可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。
-
公开(公告)号：CN113327218A
公开(公告)日：2021-08-31
申请号：CN202110646163.7
申请日：2021-06-10
Applicant: 东华大学
Abstract: 本发明提出了一种基于级联网络的高光谱与全色图像融合方法，属于图像处理技术领域，包括以下步骤：将细节注入方法与光谱解混模型集成到一个级联的卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素的丰度进行估计，进而重构高空间分辨率的高光谱图像。本发明通过引入全色图像，与高光谱图像进行融合，可提升高光谱图像的空间分辨率，同时，减小融合图像的光谱失真现象。通过建立基于级联卷积网络的高光谱图像融合模型，将细节注入方法与光谱解混模型整合为一个端到端的网络结构，能够有效地提取到输入的多源图像的空间和光谱信息，以生成高分辨率图像各端元的丰度值。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
