公开(公告)号：CN118506096A

公开(公告)日：2024-08-16

申请号：CN202410686361.X

申请日：2024-05-29

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  张康 ,  吴海滨 ,  孙慧 ,  孙晓明 ,  盖建新 ,  陈寅生

IPC: G06V10/764 ,  G06V20/13 ,  G06V20/10 ,  G06V10/58 ,  G06V10/774 ,  G06V10/82 ,  G06V10/776 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明基于噪声干扰启发的空间‑光谱神经架构搜索HSI分类方法属于图像分类技术领域。首先，本发明构建了一个包括空间‑光谱注意卷积算子、跳跃连接、池化操作等候选操作在内的模块化搜索空间。然后，根据一定的比例从高光谱(Hyperspectral Image，HSI)中随机选择像素作为训练、验证和测试集并应用于超网络架构搜索阶段和最终网络优化阶段。在架构搜索过程中，Surpernet构建了一个包含网络中所有可能操作的权重共享模型，并由该模型架构中搜索和优化最终算子信道和核大小，同时保持算子与Surpernet原模型的一致。接着，本发明由噪声‑可微分架构搜索策略(Noisy‑DifferentiableArchitecture Search，Noisy‑DARTS)构建了一个公平竞争的环境，并引导训练超网络中的网络参数和模型参数，推导出性能最优的网络架构。最后，在性能评估阶段，本发明将标签平滑损失函数和多项式展开损失函数集成构建一个融合损失函数，以解决由于HSI样本长尾分布导致的数据不平衡问题，并自动调整参数为不同数据集自驱性地设计最优网络架构。

公开(公告)号：CN119516214A

公开(公告)日：2025-02-25

申请号：CN202310747301.X

申请日：2023-08-24

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  雷贵龙 ,  吴卿 ,  张康 ,  李德飞

IPC: G06V10/58 ,  G06V10/40 ,  G06V10/77 ,  G06V10/82 ,  G06F18/213 ,  G06F18/25 ,  G06F18/241 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种双支路Swin Transformer的高光谱影像与LiDAR数据协同分类方法，该方法包括：S1，针对高光谱影像“图谱合一”的特点，提出了利用3D‑2D混合卷积来提取主成分分析降维后的高光谱影像的浅层空‑谱信息。S2，采用了改进的Swin Transformer网络，在网络中采用ResNet模块以及引进SSR(Spectral Segmentation Recombination，光谱分割重组)，消除特征传递中的信息丢失，进一步挖掘高光谱影像的深层空‑谱特征。S3，将另一支路的LiDAR数据通过2D‑2D卷积、改进的Swin Transformer网络，挖掘高程信息；S4，针对高光谱和LiDAR双支路，将CAM(Cross attention module，交叉注意模块)改进为双支路输入，通过高光谱与LiDAR特征交互，通过建立动态的注意力机制，有效地捕捉两种模态之间的关联信息，并将其融合成统一的特征表示。该网络在两个公开高光谱与LiDAR数据集上进行了测试，表现出了良好的分类性能。

公开(公告)号：CN117611908A

公开(公告)日：2024-02-27

申请号：CN202311643409.0

申请日：2023-12-02

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  李德飞 ,  吴海滨 ,  雷贵龙 ,  张康 ,  刘城洋

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明天空地一体化大场景高光谱遥感图像的农作物精准分类属于图像分类技术领域；在大场景下通过迁移学习的方法，学习源域数据和有标签的目标域数据，对无标签的目标域数据分类。大场景下高光谱遥感数据的农作物精准分类方法依次执行：先对数据集划分后，将训练集和测试集分别送入结合注意力机制改进的残差网络(ResNet Combined with Attention，RCA)和多尺度融合模块(Multi‑scale Block)进行浅层和深度特征提取；将提取的特征聚类映射后通过集成分类器和域鉴别器得到分类结果。本发明利用改进的残差网络和多尺度融合模块构成特征提取网络，并通过映射迭代，减少频谱偏移，提高了大场景下高光谱图像农作物分类的精度，为后续研究以及相关应用提供新的参考思路。

公开(公告)号：CN117853816A

公开(公告)日：2024-04-09

申请号：CN202410096914.6

申请日：2024-01-24

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  张康 ,  吴海滨 ,  戴诗语 ,  孙慧 ,  郭抗抗

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了基于多尺度SE注意力机制结合ViT的高光谱图像分类系统及方法，涉及图像分类技术领域。本发明的多尺度SEResBlock单元，包括若干个级联的SEResBlock模块，通过依次级联的SEResBlock模块得到高光谱的中层次特征；ViT单元包括级联的嵌入模块、Transformer编码器和MLP模块，所述Transformer编码器包括Cross‑Re‑Attention子模块和前馈网络子模块，所述Cross‑Re‑Attention子模块用以提取高光谱图像的高层次特征，所述MLP模块输出分类结果。本发明能够从不同尺度提取光谱特征，提高图像的分类精度。

公开(公告)号：CN115841599A

公开(公告)日：2023-03-24

申请号：CN202211703105.4

申请日：2023-02-23

Applicant: 哈尔滨理工大学

Inventor： 吴海滨 ,  邢爽 ,  王爱丽 ,  张康 ,  戴诗语 ,  刘和

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明新型耦合共享的高光谱与LiDAR数据协同分类方法属于图像分类技术领域；该方法依次执行以下步骤：步骤a、使用主成分分析方法去除高光谱图像的光谱冗余，然后送入空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块提取多分辨率特征；步骤b、将LiDAR数据输入到另一支路的ASPP模块，提取多分辨率特征；步骤c、将高光谱和LiDAR两支路的多分辨率特征分别输入各支路的三个可分离卷积模块中，其中两支路之间第二个和第三个的可分离卷积模块进行参数共享；步骤d、将高光谱和LiDAR数据两支路的特征分别输入各支路的多头自注意力(Multi‑Head Self‑Attention，MHSA)中来提取更加有效的信息；步骤e、将MHSA加权后的高光谱和LiDAR特征进行融合，并使用softmax进行分类。本发明利用ASPP、可分离卷积耦合共享机制和MHSA组成特征提取模块，利用特征融合机制实现不同传感器数据之间的信息互补，进一步增强学习特征的辨别能力，提高地物的分类精度。