-
公开(公告)号：CN118658033B
公开(公告)日：2024-12-13
申请号：CN202411133555.3
申请日：2024-08-19
Applicant: 湖南大学
IPC: G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/46 , G06V10/82
Abstract: 本发明公开了一种基于显著机制和多层注意感知的偏振和强度图像融合方法，将偏振与强度图像输入密集连接特征提取编码器得到相应的源图像特征，并输入多层递进注意感知融合模块进行图像融合操作，输出融合特征；将偏振图像馈送进偏振显著目标突出机制中，基于强度显著性和空间紧凑性挖掘偏振图像中高亮度的极化显著目标，得到偏振极化目标显著图；对融合特征和偏振极化目标显著图进行拼接操作，将拼接后得到的特征输入到图像重构解码器中，经由多层卷积处理重构得到融合图像，基于深度特征图的损失函数对融合网络进行训练，基于训练好的融合网络进行实时偏振和强度图像融合。可实现理想的偏振极化信息和纹理细节的融合效果，获得高质量的融合图像。
-
公开(公告)号：CN119830953A
公开(公告)日：2025-04-15
申请号：CN202510300133.9
申请日：2025-03-14
Applicant: 湖南大学
IPC: G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/082 , G06F18/213 , G06F18/25 , G01N33/18
Abstract: 本发明公开了一种基于移位窗口注意力和动态图的水质预测方法和系统，获取水质数据并进行处理得到水质时间序列数据；将水质时间序列数据输入至卷积层，将卷积后的时间序列数据输入至基于移位窗口注意力的门控时间卷积模块来学习时间上的依赖性与周期性特征，得到中间输出特征；动态图构建模块结合上一循环的输出结果生成动态图，中间输出特征和动态图输入至基于移动窗口注意力的图卷积模块来学习空间上的依赖性和局部关系，得到当前循环的输出结果，在循环层内循环预设次；所有循环层的中间输出特征都输出到输出层，输出未来时间序列的预测结果。实现了对时间步、通道以及图的自适应动态权重分配，提升了水质预测的精度。
-
公开(公告)号：CN118658033A
公开(公告)日：2024-09-17
申请号：CN202411133555.3
申请日：2024-08-19
Applicant: 湖南大学
IPC: G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/46 , G06V10/82
Abstract: 本发明公开了一种基于显著机制和多层注意感知的偏振和强度图像融合方法，将偏振与强度图像输入密集连接特征提取编码器得到相应的源图像特征，并输入多层递进注意感知融合模块进行图像融合操作，输出融合特征；将偏振图像馈送进偏振显著目标突出机制中，基于强度显著性和空间紧凑性挖掘偏振图像中高亮度的极化显著目标，得到偏振极化目标显著图；对融合特征和偏振极化目标显著图进行拼接操作，将拼接后得到的特征输入到图像重构解码器中，经由多层卷积处理重构得到融合图像，基于深度特征图的损失函数对融合网络进行训练，基于训练好的融合网络进行实时偏振和强度图像融合。可实现理想的偏振极化信息和纹理细节的融合效果，获得高质量的融合图像。
-
公开(公告)号：CN118211177A
公开(公告)日：2024-06-18
申请号：CN202410305327.3
申请日：2024-03-18
Applicant: 湖南大学
IPC: G06F18/25 , G06F18/213 , G06F18/211 , G06N3/088 , G06N3/0464 , G06N3/048 , G01W1/10 , G01W1/14
Abstract: 一种基于无监督自适应融合网络的卫星降水数据融合方法，包括：1、构建自适应融合网络；2、将两种卫星降水数据分别通过两个第一增强特征提取模块进行初始特征提取，分别得到两个初始特征图；3、将两个初始特征图输入到自适应融合模块中，得到第二融合特征，再将第二融合特征输入到第二增强特征提取模块中，得到融合降水产品；4、依据融合降水产品与原始卫星降水数据，并采用无监督优化方式训练自适应融合网络，对自适应融合网络参数进行优化更新；5、将训练后的自适应融合网络应用于降水估测。本发明可在无观测数据的情况下进行无监督优化，对于无地面站点区域具有重要意义；同时本发明还生成了一套高质量的降水产品，对水文研究有重要意义。
-
-
-
Search Results
4
records
(took 0.017 seconds)
