-
Patent Agency Ranking
公开(公告)号：CN115546638A
公开(公告)日：2022-12-30
申请号：CN202211219314.1
申请日：2022-09-30
Applicant: 南京理工大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/52
Abstract: 本发明公开了一种基于暹罗差分神经网络的变化检测方法，该方法包括以下步骤：构造对称的双边级联神经网络结构；建立针对加强特征提取的变化检测学习模型；基于注意力机制优化学习模型；提取优化结果，输出变化区域。本发明的优点在于定义了一个针对变化检测问题的暹罗变化检测模型，可以很好的缓解双时态图像对齐错误引起的误检，因此对于图像中的尺度和颜色变化具有较强的鲁棒性，能够适应各种各样的数据类型。
-
公开(公告)号：CN114494154A
公开(公告)日：2022-05-13
申请号：CN202111670468.8
申请日：2021-12-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于内容编码的无监督变化检测方法，包括以下步骤：构造内容编码网络结构；建立变化检测的概率函数模型；定义掩码损失函数来测量内容编码之间的偏差；构造内容约束函数，根据对象来约束对图像的差分结果；结合掩码损失函数和内容约束函数来定义能量函数进行训练得到变化检测结果。该方法可以有效避免现有变化检测方法对于精确配准的依赖，可适用于大多数变化检测问题，包括现有方法无法解决的多视角图像的无监督变化检测问题。
-
公开(公告)号：CN114494152A
公开(公告)日：2022-05-13
申请号：CN202111663288.7
申请日：2021-12-31
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于关联学习模型的无监督变化检测方法，该方法包括以下步骤：构造对称的双边关联网络结构；建立针对变化检测的关联学习模型；基于对比散度优化方法优化关联学习模型；提取优化结果，输出变化区域。本发明定义了一个针对变化检测问题的关联学习模型，以无监督的方式训练神经网络，因此具有较强的适应性，能够适应各种各样的数据类型，包括同源、异源、异质等遥感数据。
-
公开(公告)号：CN115565079A
公开(公告)日：2023-01-03
申请号：CN202211214138.2
申请日：2022-09-30
Applicant: 南京理工大学
IPC: G06V20/13 , G06V10/26 , G06V10/80 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种基于双边融合的遥感图像语义分割方法，该方法包括以下步骤：输入单幅遥感图像；构造用于风格迁移的生成器；构造基于双边融合方式的卷积神经网络；生成并迭代优化学习模型；输出语义分割结果。本发明的特点在于定义了一个针对遥感图像的语义分割模型，可以克服因图像噪声引起的漏检、误检问题，增强了遥感图像的分割效果，提高了语义分割的准确率；本发明可广泛应用于国土资源和精准农业领域的目标定位和检测。
-
公开(公告)号：CN115170824A
公开(公告)日：2022-10-11
申请号：CN202210765277.8
申请日：2022-07-01
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于空间自适应和特征增强暹罗网络的变化检测方法，该方法包括：构造基于ResNet‑18的暹罗网络用于提取双时态特征；在卷积块注意力模型之后使用三个卷积核获得具有不同空间信息的三对特征图，分别计算由同一个卷积核得到的一对特征图的欧氏距离，得到差异图；定义空间自适应部分用于获取自适应的空间知识；定义特征增强部分用于加强或削弱变化和不变的特征；引入加权对比损失作为差异图和地面真实图之间的度量，通过最小化损失来训练网络；通过阈值分割从差异图中获得更精确的变化图。本发明能够很好地解决在特征提取过程中，不同大小和形状的对象通常由相同的过滤核处理而导致的空间模糊问题。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
