-
公开(公告)号：CN118865120B
公开(公告)日：2025-03-21
申请号：CN202410900289.6
申请日：2024-07-05
Applicant: 中北大学
IPC: G06V20/10 , G06V10/80 , G06V10/40 , G06N3/0455
Abstract: 本发明涉及遥感图像变化检测领域，具体为一种面向遥感变化解释召回率可调的多尺度特征融合深度网络。遥感图像变化检测旨在辨识双时相图像感兴趣变化区域。然而，复杂场景下遥感图像变化区域形状、尺度的多样性极易导致相关变化检测算法出现严重漏检问题。针对上述问题，本发明首先提取双时相遥感图像分层次多尺度特征信息；然后，利用CNN、Transformer实现同尺度、跨尺度及多尺度特征局部及全局有效信息的融合；最后针对变化检测样本不平衡问题提出超期望推拉损失正则项，该损失函数可通过整体拉升正例样本的预测期望进而得到高召回率的深度学习模型。实验证明，本发明在定性、定量的指标方面都取得了显著效果。
-
Patent Agency Ranking
公开(公告)号：CN118865120A
公开(公告)日：2024-10-29
申请号：CN202410900289.6
申请日：2024-07-05
Applicant: 中北大学
IPC: G06V20/10 , G06V10/80 , G06V10/40 , G06N3/0455
Abstract: 本发明涉及遥感图像变化检测领域，具体为一种面向遥感变化解释召回率可调的多尺度特征融合深度网络。遥感图像变化检测旨在辨识双时相图像感兴趣变化区域。然而，复杂场景下遥感图像变化区域形状、尺度的多样性极易导致相关变化检测算法出现严重漏检问题。针对上述问题，本发明首先提取双时相遥感图像分层次多尺度特征信息；然后，利用CNN、Transformer实现同尺度、跨尺度及多尺度特征局部及全局有效信息的融合；最后针对变化检测样本不平衡问题提出超期望推拉损失正则项，该损失函数可通过整体拉升正例样本的预测期望进而得到高召回率的深度学习模型。实验证明，本发明在定性、定量的指标方面都取得了显著效果。
-
公开(公告)号：CN104983436B
公开(公告)日：2017-09-26
申请号：CN201510278903.0
申请日：2015-05-27
Applicant: 中北大学
IPC: A61B6/00
Abstract: 本发明公开了一种X射线成像装置，包括：图像采集模块，用于当每次接收到反馈控制模块发送来的电压值时，按照最新接收到的电压值对待测物体进行图像采集，并将采集到的图像发送给图像质量评价模块；图像质量评价模块，用于当每次接收到图像采集模块发送来的图像时，确定出最新接收到的图像的质量评价值，并将该质量评价值发送给反馈控制模块；反馈控制模块，用于当每次接收到图像质量评价模块发送来的质量评价值时，根据最新接收到的质量评价值确定出是否需要进行电压值调整，如果是，则进一步确定出调整后的电压值，并将该电压值发送给图像采集模块。本发明同时公开了一种X射线成像方法。应用本发明所述方案，能够提高成像效率。
-
公开(公告)号：CN104983436A
公开(公告)日：2015-10-21
申请号：CN201510278903.0
申请日：2015-05-27
Applicant: 中北大学
IPC: A61B6/00
Abstract: 本发明公开了一种X射线成像装置，包括：图像采集模块，用于当每次接收到反馈控制模块发送来的电压值时，按照最新接收到的电压值对待测物体进行图像采集，并将采集到的图像发送给图像质量评价模块；图像质量评价模块，用于当每次接收到图像采集模块发送来的图像时，确定出最新接收到的图像的质量评价值，并将该质量评价值发送给反馈控制模块；反馈控制模块，用于当每次接收到图像质量评价模块发送来的质量评价值时，根据最新接收到的质量评价值确定出是否需要进行电压值调整，如果是，则进一步确定出调整后的电压值，并将该电压值发送给图像采集模块。本发明同时公开了一种X射线成像方法。应用本发明所述方案，能够提高成像效率。
-
公开(公告)号：CN114332498A
公开(公告)日：2022-04-12
申请号：CN202111648318.7
申请日：2021-12-30
Applicant: 中北大学
IPC: G06V10/56 , G06V10/764 , G06V10/80 , G06K9/62 , G06N20/20
Abstract: 本发明涉及数据处理技术领域，具体涉及一种基于多特征提取的多尺寸图像变化检测装置及方法，本发明首先提取图像块颜色、形状、纹理等多层特征并计算各个特征间的相似度；将多个分类器通过集成模型组合为图像变化检测的分类器模型，将图像块之间的特征作为输入特征进行分类；准备训练分类器所需的正、负样本并据此训练由集成学习模型构成的分类器；通过训练好的集成学习模型预测图像内容是否发生变化。本发明实现了多尺寸图像变化检测算法，对任意尺寸的输入图像均使用；提高了变化检测算法的鲁棒性；降低了模型复杂度且提升了分类精度；通过麻雀搜索算法优化了集成学习模型参数，进一步提高了变化检测结果的准确率等指标。
-
公开(公告)号：CN116030357A
公开(公告)日：2023-04-28
申请号：CN202211598944.4
申请日：2022-12-12
Applicant: 中北大学
IPC: G06V20/13 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于遥感变化检测技术领域，公开了一种高分辨率遥感图像变化检测深度网络及检测方法。所述深度网络为注意力引导的多级特征融合网络(AGMFFNet)。在特征编码阶段，同时采用早期融合结构和晚期融合结构提取双时相图像的上下文特征和局部相关特征。在特征融合阶段，在每一层网络结构之间提出了一种早晚期混合特征融合模块(ELMFFM)，用于融合并增强图像的差异特征。此外，在特征解码阶段，进一步提出了一种多级辅助特征重建模块(MAFRM)来弥补传统直接上采样方法造成的空间信息损失。通过在2个公开的数据集中证明了所提出网络和方法的有效性。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
