-
公开(公告)号：CN114463340B
公开(公告)日：2024-04-26
申请号：CN202210021874.X
申请日：2022-01-10
Applicant: 武汉大学
IPC: G06T7/10 , G06T7/13 , G06N3/0464 , G06N3/08
Abstract: 本发明技术方案提供了一种边缘信息引导的敏捷型遥感图像语义分割方法，采用Pytorch深度学习框架训练，通过主干网络、边缘自蒸馏模块、语义分割分支、边缘检测分支、特征对齐模块的处理来实现遥感图像的分割。本方法具有非常好的延伸拓展性，可根据实际生产需要对本方法中采用的主干网络进行更换。并且考虑到星上等小型物联网设备环境的限制，本框架针对深度神经网络的规模和运行速度进行了优化，便于面向物联网设备的部署和推广，在保证分割精度的情况下实现了模型的快速敏捷型。
-
公开(公告)号：CN107050855B
公开(公告)日：2023-12-15
申请号：CN201710324820.X
申请日：2017-05-10
Applicant: 广东金马游乐股份有限公司 , 武汉大学
Abstract: 一种带VR眼镜的无轨观览车，利用了无轨车自有的定位数据，使得VR眼镜在空间内的定位不需借助其他第三方设备，并且无轨观览车所用的标志点定位系统的定位范围没有限制，因此扩展了VR眼镜的交互范围，实现在行走式游乐设备上应用VR眼镜的大范围交互需要，增强了这类项目的趣味性；其次由无轨车的定位技术可知在这种定位方式下，定位范围大大增加，可实现在VR虚拟场景内的真实走动，体感更佳，能实现VR眼镜与移动式游乐设备结合时的交互问题，节约成本，让用户拥有更好的体验，因此本发明的结构更合理、通过解决VR眼镜大范围移定位问题提高了游乐观览车的体验效果。
-
-
公开(公告)号：CN113393543B
公开(公告)日：2022-07-01
申请号：CN202110662427.8
申请日：2021-06-15
Applicant: 武汉大学
Abstract: 本发明提供一种高光谱图像压缩方法、装置、设备及可读存储介质。该方法包括：通过训练集对卷积神经网络进行训练，其中，卷积神经网络包括非线性变换模块、量化模块以及熵模型；使用测试集验证训练完成的卷积神经网络的压缩性能，当训练完成的卷积神经网络的压缩性能达标时，通过训练完成的卷积神经网络对高光谱图像进行压缩处理。通过本发明，对于高光谱图像压缩具有较好的率失真性能。
-
公开(公告)号：CN114463449A
公开(公告)日：2022-05-10
申请号：CN202210030609.8
申请日：2022-01-12
Applicant: 武汉大学
Abstract: 本发明涉及一种基于边缘引导的高光谱图像压缩方法。基于深度学习的压缩框架，将边缘提取模块嵌入高光谱图像的压缩任务中，通过对边缘信息的自适应调整，提高码率分配时对于边缘部分的关注，在增强视觉质量的同时可以减少对后续其他图像处理任务的不利影响，便于高光谱图像压缩算法的应用和推广。
-
Patent Agency Ranking
公开(公告)号：CN113628290A
公开(公告)日：2021-11-09
申请号：CN202110854274.7
申请日：2021-07-28
Applicant: 武汉大学
Abstract: 本发明技术方案提供了一种基于3D卷积自编码器的波段自适应高光谱图像压缩方法，其网络模型主要分为编码器、量化器、解码器三个模块。考虑到3D卷积核光谱维尺寸不受输入特征尺寸约束的特性，构建3D卷积自编码器，调整卷积参数保证在特征提取过程中特征光谱维尺寸的不变性，从而实现任意波段数目的高光谱图像高性能压缩与重建，对于节约计算资源、促进高光谱图像广泛应用具有重要的意义。
-
公开(公告)号：CN111683250B
公开(公告)日：2021-03-16
申请号：CN202010404524.2
申请日：2020-05-13
Applicant: 武汉大学
IPC: H04N19/42 , H04N19/44 , H04N19/124 , H04N19/147 , G06N3/04 , G06N3/08
Abstract: 本发明技术方案提供了一种基于深度学习的生成式遥感图像压缩方法。本发明采用Pytorch深度学习框架训练，以“自编码器(AutoEncoder)+生成对抗模型(GAN)”为范式，网络模型主要分为编码器、预量化和量化模块、解码器(生成器)和判别器共三个部分。本发明适用于任意光谱维度的同源遥感图像进行压缩处理，适用于低带宽、低码率条件下遥感图像压缩传输，并且具有优异的图像重建能力，本框架针对深度神经网络的规模和运行速度也进行了优化，便于面向物联网设备的部署和推广。
-
公开(公告)号：CN112069940A
公开(公告)日：2020-12-11
申请号：CN202010854297.3
申请日：2020-08-24
Applicant: 武汉大学
Abstract: 本发明属于行人重识别技术领域，公开了一种基于分阶段特征学习的跨域行人重识别方法，包括基于带标签的源域数据集获得带标签的源域样本，并输入至行人通用相似度模型中进行训练得到初始模型；基于无标签的目标域数据集获得无标签的目标域样本，并输入至初始模型中进行特征提取得到行人特征；根据行人特征，采用互近邻伪标签分配法计算得到目标域样本的伪标签；基于目标域样本的伪标签构成带标签的目标域样本，并输入至行人通用相似度模型中进行训练得到部署模型；将待查询样本输入至部署模型中进行特征提取，得到待查询的行人特征并匹配输出检索结果。本发明解决了现有技术中跨域行人重识别准确度较低的问题，能够获得准确度高的跨域性能。
-
公开(公告)号：CN106933511B
公开(公告)日：2020-02-14
申请号：CN201710109179.8
申请日：2017-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种考虑负载均衡与磁盘效率的空间数据存储组织方法及系统，包括：根据空间数据文件被用户访问请求的次数，统计空间数据文件的平均访问并发度；根据分布式地理信息系统负载均衡需求，按照平均访问并发度，将空间数据文件分布存储到分布式地理信息系统服务器；根据空间数据文件的平均访问并发度和平均访问间隔距离，计算空间数据文件的平均访问连续度；根据空间数据文件的平均访问连续度，将相同服务器中的空间数据文件进行连续存储组织。本发明在满足负载均衡要求的同时，实现连续被访问空间数据的有效批量读取，保障了地理信息系统的存储效率。本项目受国家自然科学基金资助完成（基金号：41671382，41271398）。
-
公开(公告)号：CN107845117B
公开(公告)日：2019-12-10
申请号：CN201710980284.9
申请日：2017-10-19
Applicant: 武汉大学
IPC: G06T9/00 , H04N19/176 , G06K9/46
Abstract: 本发明涉及一种基于块稀疏表达模式和结构字典的高光谱图像压缩方法，实现的前提是结构相似的信号具有相似的稀疏表达模式，具体表现为结构相似的信号经过结构化稀疏表示后，稀疏系数表现出相似的块稀疏表达模式，即非零元素出现在相同的位置。在星上的编码端，首先对图像在结构字典下进行稀疏表示，然后对稀疏系数基于稀疏表达模式进行压缩编码，最后将编码后的信息传输到解码端。本发明无需在解码端进行复杂度高的非线性重构，只需要根据传系数标签信息，位置信息和均值信息就能恢复稀疏系数，再和字典相乘即可重建原始图像，显著缩短了重建时间。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.02 seconds)
