-
公开(公告)号:CN116739911B
公开(公告)日:2025-05-06
申请号:CN202310422287.6
申请日:2023-04-19
Applicant: 浙江大学
IPC: G06T5/73 , G06T3/4038 , G06T3/4046 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于SwinTransformer和CNN融合的遥感图像全色锐化方法。本发明在全色锐化任务中引入SwinTransformer方法并将其与CNN方法相结合,分别提取图像的深特征和浅特征,将得到的特征拼接后进行图像重建。与传统的基于Transformer的方法相比,在保留了模型对图像全局特征的提取能力的同时加强了对局部特征的关注。SwinTransformer的局部注意力和移位窗口机制带来了更好的非线性纹理特征,进一步提高对局部特征的提取能力,SwinTransformer和CNN相结合的创新过程解决了遥感图像全色锐化当前关注全局特征而忽略局部特征的尴尬,在WorldView‑3和GaoFen‑2数据集上的实验验证了我们的模型能够提高遥感图像全色锐化的性能。
-
公开(公告)号:CN115114063B
公开(公告)日:2025-04-08
申请号:CN202210711374.9
申请日:2022-06-22
Applicant: 浙江大学
Abstract: 本发明公开了一种分布式系统数据实时校验方法。本发明通过订阅资源计算接口的消息,从中解析核对特征值和触发特征值,并由缓存模块以核对特征值为键来合并管理同一次业务流程执行过程中的数据变化消息,从而在满足触发条件时由核对模块从缓存中提取对应的消息进行核对校验,校验出错则进行报警。相对于传统方法中采用的离线的数据校验方式,本发明可以对分布式数据进行高质量的实时的校验,并且在保证校验质量的同时,无需过度依赖用例的质量和完整性。
-
公开(公告)号:CN119151969A
公开(公告)日:2024-12-17
申请号:CN202411021859.0
申请日:2024-07-29
Applicant: 浙江大学
IPC: G06T7/12 , G06T5/70 , G06N3/0455 , G06V10/80 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于扩散模型的多层次特征融合医学图像分割方法及系统,属于医学图像处理技术领域。本方法包括:获取原始医学皮肤病灶图像并对图像进行预处理,包括调整大小和归一化;利用正向扩散过程对输入图像进行添加高斯噪声,获取添加噪声后的图像;构建去噪网络编码器,将预处理的原始输入图像和噪声图像输入到去噪网络编码器中;构建去噪网络解码器,将编码器的输出特征通过跳跃连接以及多层次特征融合模块送入到解码器中,并输出分割结果图。本发明通过一种边界感知损失函数以及多层次特征融合的机制,提升了分割精度,强化了模型对噪声的鲁棒性。
-
公开(公告)号:CN118941903A
公开(公告)日:2024-11-12
申请号:CN202410965097.3
申请日:2024-07-18
Applicant: 浙江大学
IPC: G06V10/80 , G06V10/82 , G06V10/774 , G06V20/13 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于深度傅里叶Transformer网络的遥感图像时空融合方法及系统,本发明方法的具体为:将参考日期的粗图像和精细图像以及预测日期的粗图像输入到训练好的生成器中,输出预测日期的精细图像;其中,生成器包含频谱协调模块与空域信息分支,频谱协调模块包含基于幅值的Transformer模块和基于相位的Transformer模块。本发明的方法区别于传统的遥感图像单一空域分析,结合频率分析在处理全局特征、处理异构数据以及增强模型泛化能力方面的优点,并利用Transformer模型的自注意力机制,有效提高了遥感图像时空融合生成图像的真实度,为遥感图像时空融合任务提供了新的思路。
-
公开(公告)号:CN118379626A
公开(公告)日:2024-07-23
申请号:CN202410498376.3
申请日:2024-04-24
Applicant: 浙江大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于双域学习的遥感图像变化检测方法、系统及设备,本发明基于双域学习,在遥感图像变化检测任务中引入频域增强模块和空间域恢复模块。本发明在频域增强模块中,通过离散余弦变换从输入的双时间图像中提取频率成分,从而实现更准确的语义识别来增强兴趣变化;在空间域恢复模块中,通过跨时间和跨尺度机制实现特征融合。这可以利用更高层次的变化表示来引导低层次表示的上下文建模,进而增强低层次特征中的语义信息,提高变化表示的空间细节恢复。本发明从频域和空间域的角度入手,为遥感图像变化检测任务提供了新的思路,并实现了最先进的性能。
-
公开(公告)号:CN117671267A
公开(公告)日:2024-03-08
申请号:CN202311712288.0
申请日:2023-12-13
Applicant: 浙江大学
IPC: G06V10/26 , G06V10/82 , G06V20/70 , G06N3/0455 , G06V10/764
Abstract: 本发明公开了一种基于双域优化类感知注意力的遥感图像语义分割方法。具体为:获取一个经过训练的带有编码器模块和解码器模块的语义分割模型,将待语义分割的遥感图像输入到语义分割模型中,获得语义分割结果;上述解码器模块包括语义域优化模块和空间域优化模块,空间域优化模块带有一个嵌套注意力模块。本发明在语义域以类别置信度作为尺度标准,提取多置信尺度类表示,缩短像素与对应类别之间的距离以区分类内差异。本发明在空间域上,使用嵌套注意力在像素‑类关系中寻找共识,以增强正确的相关性,抑制错误的相关性。本发明结合双域优化类感知注意力,为高分辨率遥感图像分割任务提供一种新的解决方案,提高了遥感图像语义分割的准确性。
-
公开(公告)号:CN117315769A
公开(公告)日:2023-12-29
申请号:CN202310864739.6
申请日:2023-07-14
Applicant: 浙江大学
IPC: G06V40/20 , G06V10/42 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于Transformer的人体姿态估计方法。该方法通过CNN与Transformer结合的双分支网络,提取全局与局部特征。随后,采用“人体中心‑肢干‑关键点”多阶段回归方法直接回归人体关键点。与传统检测方法相比,本发明能够同时兼顾全局特征和局部特征,弥补了CNN忽略全局特征和Transformer忽略局部特征的缺陷;同时,采用多阶段回归的方法,增加了“肢干”中间点,降低了远离人体中心的关键点的回归难度,提高了关键点回归的精度,进一步提升了人体姿态估计准确性。
-
公开(公告)号:CN116733309A
公开(公告)日:2023-09-12
申请号:CN202310651345.2
申请日:2023-06-02
Applicant: 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
Abstract: 本发明所公开的一种轨道交通智能控制调度系统,包括用于轨道交通调度控制的调度智能柜,调度智能柜包括柜体和柜门,柜门一侧与柜体的开口一侧销轴铰接,柜门的另一侧通过自动锁装置与柜体的开口另一侧锁定,其仅可专业人士可对柜门进行开锁,而且锁定时稳定可靠,提升使用性能。
-
公开(公告)号:CN113343861B
公开(公告)日:2023-09-05
申请号:CN202110651847.6
申请日:2021-06-11
Applicant: 浙江大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于神经网络模型的遥感图像水体区域提取方法,属于遥感图像处理领域。本发明的核心在于设计了一个基于ResNet的多孔卷积金字塔模型的语义分割网络(ResASPN),用于作为水体提取模型。该网络模型具备一定的优势,基本框架可以概括为:第一,在特征提取部分使用ResNet网络,增强了网络的特征提取能力;第二,网络中使用了多孔卷积金字塔模型,其中的多孔卷积金字塔池化结构能够对图像中任意尺度的区域进行准确的分类,最终使模型具有提取多尺度信息的能力。本发明能够实现遥感图像水体区域的自动提取,且其准确率相对于现有技术而言得到了明显提升。
-
公开(公告)号:CN116451398A
公开(公告)日:2023-07-18
申请号:CN202310586307.3
申请日:2023-05-23
Applicant: 浙江大学
Abstract: 本发明公开了一种基于条件扩散模型的城市路网布局设计方法。本发明在城市路网布局设计任务中引入多模态数据融合模块,将人口密度、地形高程和土地利用分类三类数据进行数据编码,作为条件扩散模型(Conditional Diffusion Model,CDM),从而使之可以生成与上述三类数据分布对应的路网布局。与传统手工设计方法相比,本方法不需要相关领域的专业知识,不受限于道路模板,可高效生成特征多样的城市路网布局,减少了大量的手工操作。与传统工作,例如仅使用生成对抗网络(Generative Adversarial Network,GAN)的方法相比,本方法更易收敛,模型更加稳定,生成图片的质量更高,且更加具有多样性,同时,本方法可以通过掩码(Mask)等手段,可面向特定区域,灵活地生成局部路网。
-
-
-
-
-
-
-
-
-