-
公开(公告)号：CN116524346B
公开(公告)日：2024-08-09
申请号：CN202310203834.1
申请日：2023-03-06
Applicant: 西北工业大学
IPC: G06V20/10 , G06V10/82 , G06V20/70 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/09 , G06N3/084
Abstract: 本发明涉及一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法；构建了基于高分辨网络的简单可扩展的直接语义变化检测模型来进行语义变化检测，并在变化检测上对比学习损失作为监督，有效挖掘由于类别不平衡而导致的难分类样本，提高网络对难分类样本的分类性能；在对比学习中，采用半难半易的采样策略，使网络在关注难分类样本的同时易于收敛。通过半难半易的采样策略，对比损失可以指导网络为变化检测提供适当的监督，特别是更加关注难以正确分成变化类或未变化类的样本，从而提高模型的整体语义变化性能。本发明在变化区域上细节更加精确，形状更加完整，同时对语义变化类别的分类更加准确。
-
公开(公告)号：CN116310812A
公开(公告)日：2023-06-23
申请号：CN202310204005.5
申请日：2023-03-06
Applicant: 西北工业大学
IPC: G06V20/10 , G06V10/82 , G06V10/26 , G06V20/70 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/0895 , G06N3/084
Abstract: 本发明涉及一种基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法，采用两个共享权重的高分辨率网络作为编码器提取双时相遥感图像的语义上下文特征，然后将提取到的语义上下文特征对输入变化特征提取模块得到变化特征，对于每一个时相，将语义上下文特征和变化特征输入特征融合模块得到语义变化特征，最后将双时相语义变化特征输入两个解码器得到双时相语义变化检测结果。在编码器后加入语义分割头和对比学习特征表征头。语义分割头和高分辨编码器构成了语义分割子网，在这个子网中用教师‑学生模型进行半监督语义分割，为将语义上下文特征输入对比学习特征表示头，为对比学习提供语义特征表示。
-
公开(公告)号：CN109064502B
公开(公告)日：2021-10-22
申请号：CN201810754359.6
申请日：2018-07-11
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于深度学习和人工设计特征相结合的多源图像配准方法。首先采用传统的人工设计特征点提取方法来提取匹配点对，并利用改进的加权图变换算法去除误匹配点对；然后，以匹配点对坐标为中心，分别在基准图像和待配准图像中截取固定大小的图像块得到匹配图像块集合；接着，构建相似性度量深度卷积网络模型，并使用自建的多源匹配图像数据集对模型进行预训练，再利用前面获得的匹配图像块集合对预训练网络模型进行微调，得到最终的网络模型；最后，利用此网络对基准图像和待配准图像中的图像块进行相似性度量，计算变换矩阵，并完成图像配准。本发明方法结合了人工设计特征以及基于深度学习的特征度量，提高了图像配准的精度。
-
公开(公告)号：CN116310812B
公开(公告)日：2024-07-30
申请号：CN202310204005.5
申请日：2023-03-06
Applicant: 西北工业大学
IPC: G06V20/10 , G06V10/82 , G06V10/26 , G06V20/70 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/0895 , G06N3/084
Abstract: 本发明涉及一种基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法，采用两个共享权重的高分辨率网络作为编码器提取双时相遥感图像的语义上下文特征，然后将提取到的语义上下文特征对输入变化特征提取模块得到变化特征，对于每一个时相，将语义上下文特征和变化特征输入特征融合模块得到语义变化特征，最后将双时相语义变化特征输入两个解码器得到双时相语义变化检测结果。在编码器后加入语义分割头和对比学习特征表征头。语义分割头和高分辨编码器构成了语义分割子网，在这个子网中用教师‑学生模型进行半监督语义分割，为将语义上下文特征输入对比学习特征表示头，为对比学习提供语义特征表示。
-
Patent Agency Ranking
公开(公告)号：CN116524346A
公开(公告)日：2023-08-01
申请号：CN202310203834.1
申请日：2023-03-06
Applicant: 西北工业大学
IPC: G06V20/10 , G06V10/82 , G06V20/70 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/09 , G06N3/084
Abstract: 本发明涉及一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法；构建了基于高分辨网络的简单可扩展的直接语义变化检测模型来进行语义变化检测，并在变化检测上对比学习损失作为监督，有效挖掘由于类别不平衡而导致的难分类样本，提高网络对难分类样本的分类性能；在对比学习中，采用半难半易的采样策略，使网络在关注难分类样本的同时易于收敛。通过半难半易的采样策略，对比损失可以指导网络为变化检测提供适当的监督，特别是更加关注难以正确分成变化类或未变化类的样本，从而提高模型的整体语义变化性能。本发明在变化区域上细节更加精确，形状更加完整，同时对语义变化类别的分类更加准确。
-
公开(公告)号：CN116310811A
公开(公告)日：2023-06-23
申请号：CN202310203630.8
申请日：2023-03-06
Applicant: 西北工业大学
IPC: G06V20/10 , G06V10/40 , G06V10/82 , G06V10/28 , G06V10/26 , G06V20/70 , G06N3/0464 , G06N3/09 , G06N3/084
Abstract: 本发明涉及一种高分辨卷积网络及上下文信息编码的语义变化检测方法，采用高精度的语义变化检测网络模型，该模型包含孪生高分辨率特征提取模块和上下文信息编码模块，孪生高分辨率特征提取模块用来提取原图像对的特征信息；上下文信息编码模块用来进行变化检测与语义分割：1)原图像对的特征信息之间的差异信息进行上下文信息编码，得到与输入图像尺寸相同的变化二值图；2)原图像对各自的特征信息上进行上下文信息编码，得到与输入图像尺寸相同的两张语义分割图。最后将变化二值图和两张语义分割图结合后得到语义变化检测结果图。本发明提出的方法得到的语义变化区域的细节更加准确，精度得到有效提升。
-
公开(公告)号：CN114998703A
公开(公告)日：2022-09-02
申请号：CN202210504294.6
申请日：2022-05-10
Applicant: 西北工业大学
IPC: G06V10/82 , G06V10/80 , G06V10/40 , G06V10/774 , G06V20/10
Abstract: 本发明公开了一种基于高分辨卷积神经网络的遥感图像变化检测方法，通过构建新的基于高分辨网络的遥感图像变化检测模型，用于高分辨率遥感图像的变化检测。该检测模型包含差分金字塔模块、特征提取模块和多尺度特征注意模块三部分，差分金字塔模块用来提取原图像对之间的差异信息，将其作为补充信息添加到特征提取模块中；特征提取模块用来提取输入网络的图像对的特征信息；多尺度特征注意模块负责将特征提取模块得到的不同尺度的特征信息进行融合，最后再使用上采样得到与输入图像尺寸相同的检测结果图。本发明可以提取多时相图像对的实质变化，得到的变化区域细节更加准确。
-
-
公开(公告)号：CN109064502A
公开(公告)日：2018-12-21
申请号：CN201810754359.6
申请日：2018-07-11
Applicant: 西北工业大学
CPC classification number: G06T7/33 , G06N3/0454
Abstract: 本发明提供了一种基于深度学习和人工设计特征相结合的多源图像配准方法。首先采用传统的人工设计特征点提取方法来提取匹配点对，并利用改进的加权图变换算法去除误匹配点对；然后，以匹配点对坐标为中心，分别在基准图像和待配准图像中截取固定大小的图像块得到匹配图像块集合；接着，构建相似性度量深度卷积网络模型，并使用自建的多源匹配图像数据集对模型进行预训练，再利用前面获得的匹配图像块集合对预训练网络模型进行微调，得到最终的网络模型；最后，利用此网络对基准图像和待配准图像中的图像块进行相似性度量，计算变换矩阵，并完成图像配准。本发明方法结合了人工设计特征以及基于深度学习的特征度量，提高了图像配准的精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
