-
公开(公告)号：CN118608861A
公开(公告)日：2024-09-06
申请号：CN202410804064.0
申请日：2024-06-20
Applicant: 河海大学
IPC: G06V10/764 , G06V20/10 , G06V10/58 , G06V10/44 , G06V10/77 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于尺度交互Transformer的高光谱图像分类方法，属于遥感图像处理领域。其方案是：对原始高光谱图像中取出每个像素点，对每个像素点进行平面化处理；使用方向分离卷积模块提取局部尺度光谱特征和非局部尺度光谱特征；提取到的局部尺度光谱特征和非局部尺度光谱特征输入到尺度交互Transformer模块得到多尺度视角下的全局特征关联性建模；将尺度交互Transformer模块输出结果通过一个全连接网络得到每个像素点的分类结果。本发明能充分利用光谱波段间相关信息，提升了高光谱图像地表覆盖物分类精度，可用于精准农业、土地规划、和野外搜救。
-
公开(公告)号：CN111914916B
公开(公告)日：2022-08-26
申请号：CN202010708829.2
申请日：2020-07-22
Applicant: 河海大学
Abstract: 本发明公开了一种基于双路卷积融合神经网络的高光谱图像分类模型，包括双边卷积融合模块和分类模块，双边卷积融合模块包括多个串接的双边融合块；双边融合块包括：最优特征提取模块、最优特征强化模块、空间局部联系性传递模块及特征融合模块；最优特征提取模块包括串接的卷积单元和池化单元，卷积单元的输出连接至空间局部联系性传递模块的输入；池化单元的输出连接至最优特征强化模块的输入；最优特征强化模块和空间局部联系性传递模块的输出共同作为特征融合模块的输入。本申请通过双层结构保持较高的空间分辨率，克服因卷积神经网络表征分辨率下降引发的空间敏感判别特征的提取下降问题，提高分类精度。
-
公开(公告)号：CN119810539A
公开(公告)日：2025-04-11
申请号：CN202411884451.6
申请日：2024-12-19
Applicant: 河海大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0895 , G06N3/0464 , G06V10/80 , G06N3/045
Abstract: 本发明公开了一种半监督高光谱图像智能化分类方法，利用标记样本和未标记样本进行准确的地物识别。本发明首先构建了一个多尺度可变形光谱空间特征提取模块，能够在多个尺度上提取特征并融合，可变形卷积的引入可以提取到更加符合样本的分布特征。然后通过提出的伪标签生成策略，采用高斯函数加权，进一步提升伪标签的利用效率和模型性能。在训练过程中保持高数量和高质量的伪标签来有效利用未标记样本。最后，通过Transformer捕获远程依赖并学习高光谱遥感图像的有效特征表示。实验结果证明了本发明在标记样本有限的情况下的有效性和优越性。
-
公开(公告)号：CN111914728B
公开(公告)日：2022-08-26
申请号：CN202010736807.7
申请日：2020-07-28
Applicant: 河海大学
Abstract: 本发明公开了一种高光谱遥感影像半监督分类方法、装置及存储介质，其中方法包括建立生成网络结构，所述生成网络结构包括用于生成伪光谱的生成器G；用于接收伪光谱以及真实无标签光谱，判断光谱真伪的判别器D；用于接收伪光谱以及真实有标签光谱，判断输入的类别的分类器C1；训练得到AC‑WGAN网络结构，生成与真实光谱数据相似分布的伪光谱扩充数据集，将扩充后的光谱数据集投入与分类器C1共享参数的分类器C2，获得分类结果。本发明对网络结构和损失函数均进行了改进，减小了数据分类工作和判别工作间的互相影响，并使生成的伪光谱数据的分布更加平滑，解决了因训练样本少导致的分类精度不高的问题。
-
公开(公告)号：CN112949771A
公开(公告)日：2021-06-11
申请号：CN202110377199.X
申请日：2021-04-08
Applicant: 河海大学
Abstract: 本发明公开了一种基于多深度多尺度层级注意力融合机制的高光谱遥感影像分类方法，包括：将高光谱图像数据进行预处理；将预处理后的高光谱图像数据进行数据集获取与划分，获取到训练样本集和测试样本集；构建基于梯度收缩多尺度特征提取的卷积神经网络；构建基于梯度收缩多尺度特征提取及层级注意力特征强化融合模型；初始化融合模型的权重参数；训练融合模型，得到高光谱图像分类模型；对测试样本集进行预测，得到分类结果。本发明有效提高了模型的特征利用率，解决了高光谱遥感影像分类在进行多尺度特征提取时提取效率较低的问题，在保证运行效率的同时，提升了分类准确率，实现了较优的分类效果。
-
Patent Agency Ranking
公开(公告)号：CN111914728A
公开(公告)日：2020-11-10
申请号：CN202010736807.7
申请日：2020-07-28
Applicant: 河海大学
Abstract: 本发明公开了一种高光谱遥感影像半监督分类方法、装置及存储介质，其中方法包括建立生成网络结构，所述生成网络结构包括用于生成伪光谱的生成器G；用于接收伪光谱以及真实无标签光谱，判断光谱真伪的判别器D；用于接收伪光谱以及真实有标签光谱，判断输入的类别的分类器C1；训练得到AC-WGAN网络结构，生成与真实光谱数据相似分布的伪光谱扩充数据集，将扩充后的光谱数据集投入与分类器C1共享参数的分类器C2，获得分类结果。本发明对网络结构和损失函数均进行了改进，减小了数据分类工作和判别工作间的互相影响，并使生成的伪光谱数据的分布更加平滑，解决了因训练样本少导致的分类精度不高的问题。
-
公开(公告)号：CN117496342A
公开(公告)日：2024-02-02
申请号：CN202210874030.X
申请日：2022-07-22
Applicant: 河海大学
IPC: G06V20/10 , G06V10/28 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种高光谱图像目标智能检测方法，属于遥感图像处理领域。所述方法包括：通过基于密度的聚类和光谱角度制图选择背景训练样本；利用随机光谱波段零遮掩方法生成充足的目标训练样本；将背景训练样本、一个先验目标和目标训练样本分别输入光谱聚合与分离网络的上、中、下支路进行训练，并利用三重软损失函数促使网络训练向背景样本与先验目标及目标样本分离的方向进行；将待测像素和一个先验目标分别输入已训练网络的上下支路和中间支路进行目标检测，网络输出构成最终检测结果。采用本发明，能够实现对高光谱图像中背景和目标像素与一个先验目标的差异性与相似性的同时判别，从而得到突出目标、抑制背景的检测结果。
-
公开(公告)号：CN116486274A
公开(公告)日：2023-07-25
申请号：CN202210011787.6
申请日：2022-01-06
Applicant: 河海大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种双路高光谱影像光谱特征提取方法，属于遥感图像处理领域。所述方法包括：获取待分类像素点局部邻域的高光谱数据块；对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块；构建双支路高光谱影像光谱特征提取网络分来别对处理前后的高光谱数据块进行光谱特征提取；融合两条支路提取到的光谱特征。采用本发明，能够实现使用有限大小的卷积核实现对高维光谱特征中近距离相邻波段间以及远距离非相邻波段间相关特征的同时提取和利用。
-
公开(公告)号：CN116486189A
公开(公告)日：2023-07-25
申请号：CN202210011977.8
申请日：2022-01-06
Applicant: 河海大学
IPC: G06V10/771 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征共享的多尺度特征融合方法，属于人工智能领域。所述方法包括：在主干提取网络提取的多尺度特征中，选取所有不同尺度的特征图作为输出特征，其中，选出的特征图具有不同大小的空间尺度；为所述输出特征构建基于共享机制的多尺度特征融合模块，所述多尺度特征融合模块通过逐点卷积和深度卷积并行的方式来实现尺度间的强融合，使得在保证每个特征图在包含原有尺度的特征的上下文语意信息外还包含其他来自其他所有尺度特征的融合特征；根据融合后的特征，对图像/视频中的目标进行分割、分类以及检测。采用本发明，能够提高对提取到的多尺度特征的利用率以提高模型性能。
-
公开(公告)号：CN112836773B
公开(公告)日：2022-09-02
申请号：CN202110376903.X
申请日：2021-04-08
Applicant: 河海大学
Abstract: 本发明公开了一种基于全局注意力残差网络的高光谱图像分类方法，包括：构建整体网络，包括多尺度特征提取网络、全局注意力模块和改进的残差网络模块；进行多尺度特征提取，提取到高光谱图像层次化的特征；全局注意力模块通过空间注意力模块和光谱注意力模块的结合构建全局像素点的空间和光谱依赖关系；将改进的残差网络模块和全局注意力模块进行融合，成为一个新型的全局注意力残差网络；将输出结果经过全局池化送入分类器中进行最终分类，并输出结果。本发明通过引入多尺度大小感受野和全局注意力模块来同时获取丰富的空间‑光谱特征，并加入改进的残差网络缓解梯度消失问题，加快网络收敛，从而提高了分类精度，保证了良好稳定的分类效果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.02 seconds)
