-
公开(公告)号：CN116721318A
公开(公告)日：2023-09-08
申请号：CN202310569581.X
申请日：2023-05-19
IPC: G06V10/778 , G06V10/774 , G06V10/764 , G06V10/82 , G06V20/10 , G06N3/042 , G06N3/08
Abstract: 本申请涉及一种基于类级图嵌入表示的遥感图像主动学习方法。该方法包括：通过从高光谱遥感图像的标记数据中，随机取出标记集和未标记集，余下的样本作为测试集，设置主动学习的迭代次数与样本预算，使用标记集训练分类模型，通过网络参数得到样本的空谱特征表示，根据真实标签将标记集分为K类，逐类别构造图节点与邻接矩阵，训练类级图卷积网络模型，得到未标记样本的类间最小不确定性，挑选B个不确定样本作为查询集，赋予查询集真实标签并加入标记集，使用新的标记集更新分类模型与类级图卷积网络模型的参数，当迭代次数为I次时，利用更新后的标记集训练分类模型并对测试集进行分类得到分类结果。从而提高深度学习模型分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN118097313B
公开(公告)日：2024-06-25
申请号：CN202410504575.0
申请日：2024-04-25
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06T5/10 , G06V10/74 , G06N20/10 , G06V20/10
Abstract: 本发明公开了一种基于频域主动学习的高光谱图像分类方法，方法为采用主成分分析对高光谱图像数据集进行降维处理获得降维图像，再依次进行傅里叶变换、高通滤波、傅里叶逆变换得到高频部分；将降维图像代入熵率超像素分割得出三个尺度的超像素分割图并分别提取出三个尺度的超像素分割图特征用于制作SVM分类器的训练样本、初步结果，采用随机游走优化初步结果并对比优化后的结果得到不同的像素点集；基于高频部分查找像素点集获得高频部分所关联的像素点并采用信息量排序，获得更新训练样本的若干像素点，从而保持分类器的学习；本发明对频域保持高精度的自主学习状态，避免高光谱图像在获取和传输过程中因数据质量降低导致的图像分类精度低。
-
公开(公告)号：CN118097313A
公开(公告)日：2024-05-28
申请号：CN202410504575.0
申请日：2024-04-25
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06T5/10 , G06V10/74 , G06N20/10 , G06V20/10
Abstract: 本发明公开了一种基于频域主动学习的高光谱图像分类方法，方法为采用主成分分析对高光谱图像数据集进行降维处理获得降维图像，再依次进行傅里叶变换、高通滤波、傅里叶逆变换得到高频部分；将降维图像代入熵率超像素分割得出三个尺度的超像素分割图并分别提取出三个尺度的超像素分割图特征用于制作SVM分类器的训练样本、初步结果，采用随机游走优化初步结果并对比优化后的结果得到不同的像素点集；基于高频部分查找像素点集获得高频部分所关联的像素点并采用信息量排序，获得更新训练样本的若干像素点，从而保持分类器的学习；本发明对频域保持高精度的自主学习状态，避免高光谱图像在获取和传输过程中因数据质量降低导致的图像分类精度低。
-
公开(公告)号：CN110046639A
公开(公告)日：2019-07-23
申请号：CN201910022607.2
申请日：2019-01-10
Applicant: 湖南理工学院
Abstract: 本发明公开了一种基于超像素权重密度的高光谱影像噪声标签检测方法。它包括以下步骤：首先，将熵率超像素（ERS）算法引入到获得用于训练样本（具有噪声标签）的上下文数据信息的步骤中。其次，我们通过超像素区域获得欧几里德距离度量。接下来，在欧几里德距离计算中引入高斯加权算法，并定义每个类的距离信息的加权系数，最后，通过基于密度峰值的聚类算法自适应地检测训练样本，并且利用支持向量机来评估所提出的检测方法的有效性。在几个真正的高光谱数据集上进行的实验表明，所提出的标签检测方法可以有效地改善初始训练样本中具有标签噪声污染的分类器的性能，具有非常大的理论意义与实际应用价值。
-
公开(公告)号：CN116306424A
公开(公告)日：2023-06-23
申请号：CN202310079264.X
申请日：2023-02-08
Applicant: 湖南理工学院
IPC: G06F30/337 , G06F30/3308 , G06F111/04
Abstract: 一种基于可调级数裕量改进的动态扩增逐层优化算法的PISA架构芯片资源排布方法，以最小化占用流水线级数为优化目标，在数据依赖、控制依赖和资源限制约束条件下，基于动态扩增逐层优化调度算法建模，求解各级流水线最优基本块排布方案；考虑流水线每级中同一执行流程上的基本块资源共享约束问题，采用可调级数裕量改进的动态扩增优化调度算法，重新建立以占用的流水线级数最少为优化目标的动态调度问题；以控制依赖图和数据依赖图为基础构建程序依赖图，基于共享资源约束利用可调级数裕量改进的动态扩增优化调度模型求解，获得初步排布结果，引入空闲碎片资源填充策略进行基本块插入，获得进一步优化的基本块排布方案。
-
公开(公告)号：CN114926346A
公开(公告)日：2022-08-19
申请号：CN202210767749.3
申请日：2022-07-01
Abstract: 本发明公开了一种大尺度堤岸点云数据拼接融合方法，包括：获取堤岸待拼接图像，对待拼接图像的相邻帧图像进行处理，获得点云数据；基于点云数据进行特征点的检测与匹配，获得点云重复局部特征；基于点云重复局部特征对待拼接图像进行图像框架对齐后，寻找最优拼接缝进行图像融合。利用本发明提供的点云拼接方法，相对于基于传统ICP算法的拼接方法，其具有更高的准确性和更好的计算速度，能够达到快速高效的大尺度堤岸点云数据拼接目的。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
