公开(公告)号：CN119942196A

公开(公告)日：2025-05-06

申请号：CN202510013888.0

申请日：2025-01-05

Applicant: 哈尔滨理工大学

Inventor： 刘城洋 ,  王爱丽 ,  赵琳 ,  吴海滨 ,  韩闯 ,  王敏慧 ,  于双 ,  赵烟桥

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/24

Abstract: 本发明提出一种基于特征对齐的跨域高光谱图像农作物精细分类方法，属于图像处理技术领域。首先，输入少量标签的目标域数据和充足标签的源域数据，利用嵌入模型提取特征信息。其次，引入非对称卷积，灵活适应不同方向的特征提取，通过不同方向的卷积核精确捕捉农作物边缘与轮廓，确保不同尺度下的边界信息保留。随后，通过条件对抗域适配策略实现源域与目标域分布对齐，克服频谱偏移。此外，采用锐度感知最小化平滑参数优化，使模型对特征分布变化不敏感，减少频谱偏移带来的波动。最后，利用K近邻算法(K‑nearest neighbor,KNN)进行分类，获得农作物类别。实验结果表明，方法在Indian Pines数据集上的分类精度优于现有方法，为跨域高光谱图像农分类提供新思路。

公开(公告)号：CN119180984A

公开(公告)日：2024-12-24

申请号：CN202411206314.7

申请日：2024-08-29

Applicant: 哈尔滨理工大学

Inventor： 刘城洋 ,  王爱丽 ,  赵琳 ,  吴海滨 ,  闫思奇 ,  吕浩然 ,  刘鑫禹

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464

Abstract: 本发明提出了一种3DCNN结合MLP的标签含噪高光谱图像农作物分类方法，属于图像分类技术领域。首先，本发明通过3D卷积神经网络(3D Convolutional Neural Network,3DCNN)同时提取空间和光谱特征，充分利用高光谱图像的三维信息。然后，引入多层感知器(Multilayer Perceptron,MLP)进行分类决策，以充分发挥其在处理高维特征空间中的优势。为了进一步增强模型对噪声标签的鲁棒性，本发明在训练样本的同时引入了归一化交叉熵(Normalized Cross Entropy,NCE)和逆交叉熵(Reverse Cross Entropy,RCE)混合的损失函数，减少噪声样本对模型的干扰。综合利用3DCNN的强大特征提取能力和MLP的优秀分类性能，再结合混合损失函数，最后获取农作物类别。本发明通过充分利用3DCNN和MLP在高光谱图像分类中的特征提取与分类决策优势，结合RCE和NCE的混合损失函数，构建了对噪声标签具有鲁棒性且更加精准的分类模型。该创新性方法不仅显著提升了对高光谱图像中噪声标签的处理能力，还增强了模型对高维特征空间的理解与表征。在噪声标签的高光谱图像分类任务中，本发明展示出卓越的分类性能，对于提升高光谱图像农作物分类的准确性和鲁棒性具有重要的科学与实用价值。

公开(公告)号：CN119180983A

公开(公告)日：2024-12-24

申请号：CN202411206298.1

申请日：2024-08-29

Applicant: 哈尔滨理工大学

Inventor： 吴海滨 ,  刘城洋 ,  赵琳 ,  王爱丽 ,  孙晓明 ,  盖建新 ,  于双 ,  赵烟桥

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06N20/20

Abstract: 本发明提出基于XGBoost和域自适应的高光谱图像农作物跨场景分类方法，属于图像分类技术领域。首先，将不同场景的高光谱图像数据集输入深度嵌入模型，将高光谱数据嵌入低维空间以捕捉其内在结构和分布，使相似光谱的表示更加接近。然后，引入置信域自适应技术，通过判别器模型减少不同场景特征分布的差异，去除噪声样本，加强特征分布对齐。最后，本发明通过投票组合策略集成多个基分类器，减少单个分类器的偏差，提升泛化能力和鲁棒性。在Houston数据集上，该方法优于传统方法和主流域自适应模型，尤其在经济作物的Grass healthy和Grass stressed类别上效果显著提升。

公开(公告)号：CN118260523A

公开(公告)日：2024-06-28

申请号：CN202410188252.5

申请日：2024-02-20

Applicant: 哈尔滨理工大学

Inventor： 孙立丰 ,  赵琳 ,  胡军

IPC: G06F17/17 ,  G06F17/16 ,  G01D21/00

Abstract: 本发明公开了一种具有随机变参数矩阵的多传感器信息融合目标跟踪方法，所述方法包括如下步骤：一、建立多传感器目标跟踪系统的跟踪目标动态模型；二、设计预报器和估计器结构；三、计算第i个传感器在k+1时刻的一步预测误差协方差矩阵上界Θi,k+1|k；四、计算在k+1时刻第i个传感器的估计增益矩阵Ki,k+1以及跟踪目标的融合估计#imgabs0#五、将Ki,k+1代入二中，得到在k+1时刻的第i个传感器跟踪目标的状态估计#imgabs1#判断k+1是否达到估计总时长MN，若k+1＜MN，则执行六，若k+1＝MN则在计算融合估计后结束；六、计算估计误差协方差上界Θi,k+1|k+1；令k＝k+1，进入二直至满足k+1＝MN。本发明可以有效的估计出目标状态并具有较好的鲁棒性。