-
公开(公告)号：CN118247670A
公开(公告)日：2024-06-25
申请号：CN202410086081.5
申请日：2024-01-22
Applicant: 临沂大学
IPC: G06V20/13 , G06V10/82 , G06V10/25 , G06V10/774 , G06V10/776 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/084
Abstract: 本发明公开一种基于深度学习的多聚合特征金字塔遥感图像检测方法，属于遥感图像的图像处理及深度学习目标检测技术领域。方法包括遥感图像预处理，对预处理后的图像数据进行筛选、裁剪并制作统一尺寸的数据集；构建基于深度学习的目标检测神经网络模型；使用制作数据集对搭建的目标检测模型进行训练、优化、和测试，并保存得到的最优模型权重；将高分辨率遥感图像输入构建的目标检测模型并加载最优模型权重，最后对遥感图像中具体的类别目标，生成准确的目标检测框。本发明改进特征金字塔模型并用于遥感图像目标检测任务，是一种即插即用的方法，改进的目标检测模型能实现更高的检测精度，更好的检测效果，并且模型计算量适中。
-
公开(公告)号：CN117423020B
公开(公告)日：2024-02-27
申请号：CN202311743263.7
申请日：2023-12-19
Applicant: 临沂大学
IPC: G06V20/17 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/084 , G06V10/774
Abstract: 本发明公开一种检测无人机小目标的动态特征和上下文增强方法，属于无人机数据图像处理技术领域。具体包括：S1对智能无人机拍摄的图像进行预处理；S2对处理后的图像数据进行训练数据集、验证数据集和测试数据集的划分；S3基于无人机采集的数据集构建一种动态特征和上下文增强的小目标检测模型；S4使用S2中的训练数据集和验证数据集对S3搭建的检测模型进行训练、验证和优化，并将得到的最优模型权重进行保存；S5将S2中的测试数据集输入S3中构建的模型，通过加载S4中的最优模型权重，以检测无人机拍摄的小目标。相比现有技术，本发明模型有更少的参数量和计算量，能搭载到无人机设(56)对比文件Bo Fang,Dong Zhu,Yayun Cheng,FeiHu.Hidden object detection based onprobabilistic fuzzy fusion and fishervectors in passive millimeter-waveimages《.2023 IEEE InternationalGeoscience and Remote Sensing Symposium》.2023,第6462-6465页.
-
公开(公告)号：CN117423020A
公开(公告)日：2024-01-19
申请号：CN202311743263.7
申请日：2023-12-19
Applicant: 临沂大学
IPC: G06V20/17 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/084 , G06V10/774
Abstract: 本发明公开一种检测无人机小目标的动态特征和上下文增强方法，属于无人机数据图像处理技术领域。具体包括：S1对智能无人机拍摄的图像进行预处理；S2对处理后的图像数据进行训练数据集、验证数据集和测试数据集的划分；S3基于无人机采集的数据集构建一种动态特征和上下文增强的小目标检测模型；S4使用S2中的训练数据集和验证数据集对S3搭建的检测模型进行训练、验证和优化，并将得到的最优模型权重进行保存；S5将S2中的测试数据集输入S3中构建的模型，通过加载S4中的最优模型权重，以检测无人机拍摄的小目标。相比现有技术，本发明模型有更少的参数量和计算量，能搭载到无人机设备中进行实时监测，成本降低。
-
公开(公告)号：CN117391958B
公开(公告)日：2024-03-08
申请号：CN202311665860.2
申请日：2023-12-07
Applicant: 临沂大学
IPC: G06T3/4053 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
-
公开(公告)号：CN118014844A
公开(公告)日：2024-05-10
申请号：CN202410417209.1
申请日：2024-04-09
Applicant: 临沂大学
IPC: G06T3/4053 , G06T3/4046 , G06V10/26 , G06V20/70 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明公开一种结合超分辨率技术的遥感图像语义分割方法，属于图像处理技术领域。方法包括遥感图像预处理，对预处理后的图像数据进行筛选、剪裁、下采样以制作低分辨率遥感图像分割任务数据集；构建结合超分辨率的遥感图像语义分割模型；使用制作数据集对搭建的语义分割模型进行训练、优化和测试，并保存得到的最优模型权重；将低分辨率遥感图像输入构建的语义分割模型并加载最优模型权重，最后生成高分辨率语义分割效果图。本发明改进Transformer模型并将超分辨率技术与语义分割技术结合，改进的语义分割模型可以提升低分辨率遥感图像的语义分割效果，在低分辨率图像基础上生成高分辨率的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN117974960A
公开(公告)日：2024-05-03
申请号：CN202410361308.2
申请日：2024-03-28
Applicant: 临沂大学
IPC: G06V10/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种双光融合动态超分辨率分层感知方法，属于多模态遥感图像处理技术领域。具体包括：S1对可见光和红外多模态遥感图像进行预处理；S2对处理后的多模态图像数据进行训练数据集和验证数据集的划分；S3基于多模态遥感数据集构建一种双光融合动态超分辨率分层感知目标的检测模型；S4使用S2中的训练数据集对S3搭建的检测模型进行训练和优化，并将得到的最优模型权重进行保存；S5将S2中的验证数据集输入S3中构建的模型，通过加载S4中的最优模型权重，以检测多模态遥感图像的目标。相比现有技术，本发明模型有更少的参数数量和计算量并拥有较高的检测精度，能以低成本搭载到终端设备中对遥感图像进行实时监测。
-
公开(公告)号：CN117576402B
公开(公告)日：2024-03-26
申请号：CN202410049995.4
申请日：2024-01-15
Applicant: 临沂大学
IPC: G06V10/26 , G06V10/52 , G06V10/774 , G06V10/82 , G06V10/25 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法，属于图像处理技术领域。本方法设计并提出一个用于遥感图像的语义分割模型，主要应用于高分辨遥感图像的场景理解等任务。该方法模型沿用UNet的框架设计，主要分为编码器和解码器两部分。本发明改进基于Transformer的遥感图像语义分割模型，可以高效地提取全局信息，更好地融合多尺度特征。相比于流行的基于Transformer的语义分割模型，本发明提出的模型拥有更少的参数量和计算量，大大减小资源占用，扩大了模型的实际应用场景。
-
公开(公告)号：CN118014844B
公开(公告)日：2024-06-14
申请号：CN202410417209.1
申请日：2024-04-09
Applicant: 临沂大学
IPC: G06T3/4053 , G06T3/4046 , G06V10/26 , G06V20/70 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明公开一种结合超分辨率技术的遥感图像语义分割方法，属于图像处理技术领域。方法包括遥感图像预处理，对预处理后的图像数据进行筛选、剪裁、下采样以制作低分辨率遥感图像分割任务数据集；构建结合超分辨率的遥感图像语义分割模型；使用制作数据集对搭建的语义分割模型进行训练、优化和测试，并保存得到的最优模型权重；将低分辨率遥感图像输入构建的语义分割模型并加载最优模型权重，最后生成高分辨率语义分割效果图。本发明改进Transformer模型并将超分辨率技术与语义分割技术结合，改进的语义分割模型可以提升低分辨率遥感图像的语义分割效果，在低分辨率图像基础上生成高分辨率的分割结果。
-
公开(公告)号：CN117391958A
公开(公告)日：2024-01-12
申请号：CN202311665860.2
申请日：2023-12-07
Applicant: 临沂大学
IPC: G06T3/4053 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于多路径聚合Transformer的卫星云图超分辨率重建方法，属于卫星云图的图像处理及深度学习超分辨率重建技术领域。包括卫星云图预处理，对预处理后的图像数据进行筛选、剪裁、分类并制作不同分辨率的数据集；构建基于深度学习的超分辨率神经网络模型；使用制作数据集对搭建的超分辨率模型进行训练、优化和测试，并保存得到的最优模型权重；将低分辨率卫星云图输入构建的超分辨率模型并加载最优模型权重，最后生成高分辨率卫星云图。本发明改进Transformer模型并用于卫星云图超分辨重建任务，改进的超分辨模型可以缓解复杂特征所造成的不利影响，且模型拥有更少的参数量和计算量，大大减小资源占用。
-
公开(公告)号：CN117974960B
公开(公告)日：2024-06-18
申请号：CN202410361308.2
申请日：2024-03-28
Applicant: 临沂大学
IPC: G06V10/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种双光融合动态超分辨率分层感知方法，属于多模态遥感图像处理技术领域。具体包括：S1对可见光和红外多模态遥感图像进行预处理；S2对处理后的多模态图像数据进行训练数据集和验证数据集的划分；S3基于多模态遥感数据集构建一种双光融合动态超分辨率分层感知目标的检测模型；S4使用S2中的训练数据集对S3搭建的检测模型进行训练和优化，并将得到的最优模型权重进行保存；S5将S2中的验证数据集输入S3中构建的模型，通过加载S4中的最优模型权重，以检测多模态遥感图像的目标。相比现有技术，本发明模型有更少的参数数量和计算量并拥有较高的检测精度，能以低成本搭载到终端设备中对遥感图像进行实时监测。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.03 seconds)
