公开(公告)号：CN118212547A

公开(公告)日：2024-06-18

申请号：CN202410319866.2

申请日：2024-03-20

Applicant: 哈尔滨工业大学

Inventor： 谷延锋 ,  董喆 ,  刘天竹

IPC: G06V20/13 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 面向遥感场景分类任务的基础模型参数微调方法，本发明涉及基础模型参数微调方法。本发明的目的为了解决大规模预训练基础模型微调时计算成本和内存需求大、适应性差以及现有微调方法忽略了遥感数据中的先验信息以及时空相关性的问题。过程为：1：获得预训练好的ConvNeXt骨干网络；2：构建场景分类网络模型；场景分类网络模型包括：ConvNeXt骨干网络、适配器模块、上下文感知提示模块和场景分类任务头；3：使用标注训练样本对场景分类网络模型的参数进行微调，微调时冻结除适配器模块、上下文感知提示模块及场景分类任务头的所有参数，获得微调好的场景分类网络模型。本发明用于遥感图像处理领域。

公开(公告)号：CN116935242B

公开(公告)日：2024-08-06

申请号：CN202310914459.1

申请日：2023-07-24

Applicant: 哈尔滨工业大学

Inventor： 谷延锋 ,  董喆 ,  刘天竹

IPC: G06V20/13 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06V10/42 ,  G06N3/0464 ,  G06N3/08

Abstract: 基于空间和语义一致性对比学习的遥感图像语义分割方法及系统，本发明涉及遥感图像的语义分割方法及系统。本发明的目的是针对现有对比学习方法大多只适用于自然场景图像分类任务，忽略了遥感场景图像中对语义分割任务十分重要的空间和语义关联性，导致遥感图像语义分割准确率低的问题。过程为：1：获取数据增强后的无标注遥感图像数据集；2：得到遥感特征图；3：构建实例级分支；4：构建一致性分支；5：构建自监督对比学习框架的整体损失函数；采用无标注的遥感图像对骨干网络训练，获得预训练好的骨干网络；6：构建语义分割网络，获得微调好的语义分割网络，微调好的语义分割网络用于后续的遥感语义分割任务。本发明属于遥感图像处理领域。

公开(公告)号：CN117522827A

公开(公告)日：2024-02-06

申请号：CN202311552590.4

申请日：2023-11-20

Applicant: 哈尔滨工业大学

Inventor： 谷延锋 ,  董喆 ,  刘天竹

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/52 ,  G06V10/62 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 基于稀疏编码和低频重建的遥感基础模型构建方法及系统，本发明涉及遥感基础模型构建方法及系统。本发明针对现有遥感基础模型只注重样本实例或像素间的关联性，忽略了对遥感图像变化检测任务至关重要的多尺度特征和频率信息，导致模型泛化能力不足、遥感图像变化检测准确率低。过程为：构建无标注遥感图像样本集；基于低频频率生成低频重建目标1；采用骨干网络‑解码器网络对图像的掩码区域进行像素重建，基于重建的掩码区域和非掩码区域获得重建目标2；得到预训练好的骨干网络‑解码器网络；获得训练好的变化检测网络；将待测的同一地区不同时间的一对遥感图像输入训练好的变化检测网络进行变化检测。本发明属于遥感图像领域。

公开(公告)号：CN116935242A

公开(公告)日：2023-10-24

申请号：CN202310914459.1

申请日：2023-07-24

Applicant: 哈尔滨工业大学

Inventor： 谷延锋 ,  董喆 ,  刘天竹

IPC: G06V20/13 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06V10/42 ,  G06N3/0464 ,  G06N3/08

Abstract: 基于空间和语义一致性对比学习的遥感图像语义分割方法及系统，本发明涉及遥感图像的语义分割方法及系统。本发明的目的是针对现有对比学习方法大多只适用于自然场景图像分类任务，忽略了遥感场景图像中对语义分割任务十分重要的空间和语义关联性，导致遥感图像语义分割准确率低的问题。过程为：1：获取数据增强后的无标注遥感图像数据集；2：得到遥感特征图；3：构建实例级分支；4：构建一致性分支；5：构建自监督对比学习框架的整体损失函数；采用无标注的遥感图像对骨干网络训练，获得预训练好的骨干网络；6：构建语义分割网络，获得微调好的语义分割网络，微调好的语义分割网络用于后续的遥感语义分割任务。本发明属于遥感图像处理领域。

公开(公告)号：CN117522827B

公开(公告)日：2024-07-12

申请号：CN202311552590.4

申请日：2023-11-20

Applicant: 哈尔滨工业大学

Inventor： 谷延锋 ,  董喆 ,  刘天竹

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/52 ,  G06V10/62 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 基于稀疏编码和低频重建的遥感基础模型构建方法及系统，本发明涉及遥感基础模型构建方法及系统。本发明针对现有遥感基础模型只注重样本实例或像素间的关联性，忽略了对遥感图像变化检测任务至关重要的多尺度特征和频率信息，导致模型泛化能力不足、遥感图像变化检测准确率低。过程为：构建无标注遥感图像样本集；基于低频频率生成低频重建目标1；采用骨干网络‑解码器网络对图像的掩码区域进行像素重建，基于重建的掩码区域和非掩码区域获得重建目标2；得到预训练好的骨干网络‑解码器网络；获得训练好的变化检测网络；将待测的同一地区不同时间的一对遥感图像输入训练好的变化检测网络进行变化检测。本发明属于遥感图像领域。