-
公开(公告)号：CN113470036B
公开(公告)日：2021-11-23
申请号：CN202111023434.X
申请日：2021-09-02
Applicant: 湖南大学
Abstract: 本发明公开了一种基于知识蒸馏的高光谱图像无监督波段选择方法及系统，本发明方法包括将高光谱图像分割为图像块；训练教师网络对高光谱图像的图像块提取空谱特征；训练用于估计各个图像块对应的波段权重向量的学生网络，学生网络的结构比教师网络更精简、且通过通道注意力模块建模波段之间的全局非线性关系；基于各个图像块对应的波段权重计算各个波段的波段重要性权重W，并对得到的波段重要性权重W进行排序，选择前L个波段作为得到的最优波段子集。本发明引入深度神经网络中知识蒸馏思想用于波段选择，通过教师网络引导结构更精简的学生网络训练，使得误差更容易反向传播，从而学习波段的重要性权重，实现少量代表性波段的最优选择。
-
公开(公告)号：CN112801881A
公开(公告)日：2021-05-14
申请号：CN202110395614.4
申请日：2021-04-13
Applicant: 湖南大学
Abstract: 本发明公开了一种高分辨率高光谱计算成像方法、系统及介质，本发明方法包括：对输入的RGB图像Y进行光谱上采样得到初始高光谱图像X0；将初始高光谱图像X0输入到预先完成训练的成像模型引导的深度卷积神经网络，通过迭代求解得到高光谱图像X，该深度卷积神经网络由多个具有相同结构的模块级联构成，每一个模块由高光谱先验学习模块HPL和成像模型引导模块IMG构成，高光谱先验学习模块HPL用于学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征。本发明能够有效实现RGB图像到高分辨率的高光谱图像的重构，具有重构精度高、计算效率高、内存消耗小、泛化能力强的优点。
-
公开(公告)号：CN118781331B
公开(公告)日：2024-12-27
申请号：CN202411259450.2
申请日：2024-09-10
Applicant: 湖南大学
IPC: G06V10/25 , G06N3/084 , G06N3/096 , G06V10/40 , G06V10/774 , G06V10/778 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于知识蒸馏的跨模态图像旋转目标识别方法及系统，本发明包括构建和训练以红外模态图像与可见光模态图像作为输入的教师网络模型，以可见光模态图像/红外模态图像作为输入的学生网络模型，利用可见光模态图像的样本训练学生网络模型，将可见光模态图像及其对应的红外模态图像的样本输入教师网络模型，利用教师网络模型中的多模态主干网、多尺度聚合层中提取的特征进行知识蒸馏并计算特征和关系蒸馏损失来训练优化学生网络模型的网络参数，直至完成对学生网络模型的训练以用于对输入的可见光模态图像进行旋转目标识别。本发明旨提高学生网络模型的检测精度，同时兼具跨模态检测功能。
-
公开(公告)号：CN118762263B
公开(公告)日：2024-11-08
申请号：CN202411247729.9
申请日：2024-09-06
Applicant: 湖南大学
IPC: G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/26 , G06V10/762 , G06V10/82
Abstract: 本发明公开了一种多时相遥感图像超像素‑像素多级融合识别方法及系统，本发明包括对多时相图像Ta和Tb进行超像素分割，分别得到超像素级特征Fspa和Fspb，同时对多时相图像进行编码得到像素级特征Fpa和Fpb；进行特征融合与差异分析得到超像素级融合编码特征Fsp和像素级差异编码特征Fp；对Fsp和Fp进行解码，分别得到像素级变化预测结果Pp、超像素级变化预测结果Psp和边缘引导的融合变化预测结果PFuse并融合得到最终的变化区域预测结果P。本发明旨在实现超像素和像素级特征的高效融合，减少阴影、纹理、树木遮挡等局部环境因素对变化区域检测的干扰，提升多时相遥感图像变化区域识别精度。
-
公开(公告)号：CN114694039B
公开(公告)日：2024-06-28
申请号：CN202210396604.7
申请日：2022-04-15
Applicant: 湖南大学
IPC: G06V20/13 , G06V10/80 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种遥感高光谱与激光雷达图像融合分类方法及装置，本发明方法包括将高光谱图像T1和雷达图像T2融合得到像素级融合图像Tp；对Tp进行超像素分割得到标签矩阵L，参照L对Tp进行逐超像素均值化处理得到超像素级融合图像Tsp；对Tp、Tsp降维得到降维后的像素级融合图像Tpd、超像素级融合图像Tspd；对Tpd、Tspd特征融合得到融合特征F，引入空间注意力模块优化得到优化融合特征Fo；利用分类器进行分类得到分类结果G。本发明能够充分利用像素级/超像素级光谱差异特性和空间结构特性，可提取结构更加紧凑、辨识性更高的多模态多层级融合特征，实现面向遥感高光谱图像与雷达图像的高效融合分类。
-
Patent Agency Ranking
公开(公告)号：CN117036879A
公开(公告)日：2023-11-10
申请号：CN202310910549.3
申请日：2023-07-24
Applicant: 湖南大学
IPC: G06V10/80 , G06N3/0464 , G06N3/0895 , G06V10/764 , G06V10/82 , G06V20/10
Abstract: 本发明公开了一种高光谱与激光雷达多模图像空谱融合地物识别方法与装置，本发明包括先根据高光谱图像生成高光谱空间图像块和光谱向量、根据雷达图像生成雷达空间图像块；再利用多级空间‑光谱融合编码器网络进行空间‑光谱特征级融合得到多级融合编码特征并通过分类器网络分类得到地物样本的分类结果，其中多级空间‑光谱融合编码器网络由输出相乘的双分支空间特征编码器支路和光谱特征编码器支路组成，光谱特征编码器支路包括特征嵌入层以及级联的多个光谱特征编码器。本发明旨在解决高光谱与激光雷达等多模遥感图像之间的异质性多源遥感数据融合难题，实现对多级空谱融合特征的挖掘，使得分类器网络的性能不需要高度依赖于标注样本数量。
-
公开(公告)号：CN112801881B
公开(公告)日：2021-06-22
申请号：CN202110395614.4
申请日：2021-04-13
Applicant: 湖南大学
Abstract: 本发明公开了一种高分辨率高光谱计算成像方法、系统及介质，本发明方法包括：对输入的RGB图像Y进行光谱上采样得到初始高光谱图像X0；将初始高光谱图像X0输入到预先完成训练的成像模型引导的深度卷积神经网络，通过迭代求解得到高光谱图像X，该深度卷积神经网络由多个具有相同结构的模块级联构成，每一个模块由高光谱先验学习模块HPL和成像模型引导模块IMG构成，高光谱先验学习模块HPL用于学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征。本发明能够有效实现RGB图像到高分辨率的高光谱图像的重构，具有重构精度高、计算效率高、内存消耗小、泛化能力强的优点。
-
公开(公告)号：CN112990112A
公开(公告)日：2021-06-18
申请号：CN202110421796.8
申请日：2021-04-20
Applicant: 湖南大学
Abstract: 本发明公开了一种边缘引导的循环卷积神经网络建筑物变化检测方法及系统，本发明包括对遥感图像T1和T2进行多层次特征提取得到特征对f1i和f2i，计算差异特征并进行差异增强、对深层结果逐层上采样并融合浅层结果后输入边缘引导概率预测网络得到多层次的变化概率图和边缘概率图，选择T1大小相同的变化概率图二值化处理得到检测结果M。本发明能够对变化区域的差异进行放大，对非变化区域的差异进行抑制，从而提高了变化检测的精度，使得检测性能有所提升，而且通过边缘引导利用建筑物边缘结构的先验信息进一步提升了变化检测性能，使得检测结果中建筑物轮廓更加清晰，有效改善了建筑物分布密集区域检测结果中建筑物粘连的情况。
-
公开(公告)号：CN106228186B
公开(公告)日：2019-11-15
申请号：CN201610571286.8
申请日：2016-07-20
Applicant: 湖南大学
IPC: G06K9/62
Abstract: 本发明提供了一种高光谱图像分类装置与方法，涉及图像处理领域。所述高光谱分类图像方法通过提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量；依据像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量利用支持向量机对高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵；依据类别标签、预设的调节因子以及三个分类概率矩阵获得的联合分类概率矩阵构造能量函数，求取能量函数的最小值，从而获得分类结果图像矩阵。本发明提供的高光谱图像分类装置与方法，可提升对高光谱图像的平滑区域的分类精度，又能降低对高光谱图像的结构纹理密集区域的误分类情况。
-
公开(公告)号：CN106228186A
公开(公告)日：2016-12-14
申请号：CN201610571286.8
申请日：2016-07-20
Applicant: 湖南大学
IPC: G06K9/62
Abstract: 本发明提供了一种高光谱图像分类装置与方法，涉及图像处理领域。所述高光谱分类图像方法通过提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量；依据像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量利用支持向量机对高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵；依据类别标签、预设的调节因子以及三个分类概率矩阵获得的联合分类概率矩阵构造能量函数，求取能量函数的最小值，从而获得分类结果图像矩阵。本发明提供的高光谱图像分类装置与方法，可提升对高光谱图像的平滑区域的分类精度，又能降低对高光谱图像的结构纹理密集区域的误分类情况。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.024 seconds)
