-
公开(公告)号：CN111369442B
公开(公告)日：2022-03-15
申请号：CN202010162533.5
申请日：2020-03-10
Applicant: 西安电子科技大学
IPC: G06T3/40 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法，首先给定某一地区对应的高、低分辨率光学遥感图像并划分测试样本和训练样本，其次对数据中所有低分辨率图像进行模糊核估计，接着使用训练集所有样本的模糊核进行K均值聚类，再利用聚类的模型对测试集高、低分辨率图像对进行分类，然后构建基于注意力机制的神经网络模型，并设定高、低分辨率图像的绝对值误差作为损失函数，根据测试集重建结果得到最优模型，最后根据该模型对输入图像进行重建，输出最终的结果图。本发明能够提升重建图像的峰值信噪比，鲁棒性强，且图像边缘细节清晰度有改善。
-
公开(公告)号：CN119068209A
公开(公告)日：2024-12-03
申请号：CN202411160562.2
申请日：2024-08-22
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/74 , G06N3/048 , G06N3/0464 , G06N3/047 , G06N3/0442 , G06N3/045 , G06N3/09 , G06T7/50
Abstract: 基于边缘增强与自适应视角的大规模多视图立体匹配方法，包括以下步骤；步骤(1)：将高分辨率航拍图像三维重建的数据集一部分作为训练样本，另一部分作为测试样本；步骤(2)：构建轻量级边缘增强的自适应多视图聚合匹配模型：步骤(3)：设定模型中的绝对深度估计任务、多视图聚合加权任务、边缘区域感知任务的整体损失函数L：步骤(4)：训练步骤(2)构建的模型：步骤(5)：将测试样本输入到包含权重参数的轻量级边缘增强的自适应多视图聚合匹配模型中，预测输出测试样本中各像素深度值及置信度分数。本发明加强源视图对参考视图深度估计任务的贡献效率，提高大规模航拍图像深度估计的精度与边缘部分的重建精度，同时降低了资源占用。
-
公开(公告)号：CN108446616B
公开(公告)日：2021-09-03
申请号：CN201810193120.6
申请日：2018-03-09
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。
-
公开(公告)号：CN111079649A
公开(公告)日：2020-04-28
申请号：CN201911300840.9
申请日：2019-12-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轻量化语义分割网络的遥感图像地物分类方法，主要解决现有方法由于图像空间和通道特征信息利用不足且模型庞大，而导致的对遥感图像地物分类精度不高、训练速度较慢的问题。其方案为：在遥感图像地物分类数据集中获取训练样本和测试样本；构建引入可拓宽通道分解空洞卷积的轻量化遥感图像地物分类模型，设计关注地物边缘的整体损失函数；将训练样本输入到所构建的地物分类模型中训练，得到训练好的模型；将测试样本输入训练好的模型中，预测输出遥感图像中地物分类结果。本发明提升了特征的表达能力，减少了网络参数，提高了遥感图像地物分类的平均精度和训练速度，可用于获取一幅遥感图像的地物分布情况。
-
Patent Agency Ranking
公开(公告)号：CN109711288A
公开(公告)日：2019-05-03
申请号：CN201811524239.3
申请日：2018-12-13
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于特征金字塔结构全卷积神经网络的遥感船舶检测方法，主要解决现有技术存在水平轮廓包围框互相重叠、覆盖及检出率低的问题。其实现方案为：1.在现有遥感数据集中选取样本图片并裁剪，划分为训练样本和测试样本；2.使用由带像素距离边框最小值约束的类别损失函数和形状损失函数构成的整体损失函数，训练全卷积神经网络；3.将测试样本输入训练好的全卷积网络，输出为各像素点的特征矩阵，并进行坐标变换获得轮廓包围框的坐标；4.对各像素轮廓包围框进行筛选、合并，得到检测结果图及坐标文件。本发明能对遥感船舶图像生成带有角度的轮廓边界框，检出率高，边界准确，可用于从光学传感器拍摄的遥感图像中提取船舶目标。
-
公开(公告)号：CN111369442A
公开(公告)日：2020-07-03
申请号：CN202010162533.5
申请日：2020-03-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法，首先给定某一地区对应的高、低分辨率光学遥感图像并划分测试样本和训练样本，其次对数据中所有低分辨率图像进行模糊核估计，接着使用训练集所有样本的模糊核进行K均值聚类，再利用聚类的模型对测试集高、低分辨率图像对进行分类，然后构建基于注意力机制的神经网络模型，并设定高、低分辨率图像的绝对值误差作为损失函数，根据测试集重建结果得到最优模型，最后根据该模型对输入图像进行重建，输出最终的结果图。本发明能够提升重建图像的峰值信噪比，鲁棒性强，且图像边缘细节清晰度有改善。
-
公开(公告)号：CN111079649B
公开(公告)日：2023-04-07
申请号：CN201911300840.9
申请日：2019-12-17
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/34
Abstract: 本发明公开了一种基于轻量化语义分割网络的遥感图像地物分类方法，主要解决现有方法由于图像空间和通道特征信息利用不足且模型庞大，而导致的对遥感图像地物分类精度不高、训练速度较慢的问题。其方案为：在遥感图像地物分类数据集中获取训练样本和测试样本；构建引入可拓宽通道分解空洞卷积的轻量化遥感图像地物分类模型，设计关注地物边缘的整体损失函数；将训练样本输入到所构建的地物分类模型中训练，得到训练好的模型；将测试样本输入训练好的模型中，预测输出遥感图像中地物分类结果。本发明提升了特征的表达能力，减少了网络参数，提高了遥感图像地物分类的平均精度和训练速度，可用于获取一幅遥感图像的地物分布情况。
-
公开(公告)号：CN109711288B
公开(公告)日：2021-05-04
申请号：CN201811524239.3
申请日：2018-12-13
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于特征金字塔结构全卷积神经网络的遥感船舶检测方法，主要解决现有技术存在水平轮廓包围框互相重叠、覆盖及检出率低的问题。其实现方案为：1.在现有遥感数据集中选取样本图片并裁剪，划分为训练样本和测试样本；2.使用由带像素距离边框最小值约束的类别损失函数和形状损失函数构成的整体损失函数，训练全卷积神经网络；3.将测试样本输入训练好的全卷积网络，输出为各像素点的特征矩阵，并进行坐标变换获得轮廓包围框的坐标；4.对各像素轮廓包围框进行筛选、合并，得到检测结果图及坐标文件。本发明能对遥感船舶图像生成带有角度的轮廓边界框，检出率高，边界准确，可用于从光学传感器拍摄的遥感图像中提取船舶目标。
-
公开(公告)号：CN108446616A
公开(公告)日：2018-08-24
申请号：CN201810193120.6
申请日：2018-03-09
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
