-
公开(公告)号：CN116563606A
公开(公告)日：2023-08-08
申请号：CN202310380529.X
申请日：2023-04-11
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V20/10 , G06V10/42 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于双分支空谱全局特征提取网络的高光谱图像分类方法。该方法通过分别学习高光谱图像的空间特征和光谱特征。其特点在于学习空间特征的空间子网络主体部分为编码解码结构，并利用跳跃连接，空间注意力和通道注意力增强特征表示。此外，设计了一个空间全局特征表示模块用于学习编码后的空间特征，并利用该模块表达全局空间特征。学习光谱特征的光谱子网络采用了渐进式特征学习的思想，并利用视角注意力强化渐进学习到的特征。最后，再利用自适应加权方法，融合两个子网络的结果。在多个真实高光谱遥感图像数据集上的实验结果显示，本发明所提出的双分支空谱全局特征提取网络能够取得优异的分类性能。
-
公开(公告)号：CN109934304B
公开(公告)日：2022-03-29
申请号：CN201910228715.5
申请日：2019-03-25
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于超限隐特征模型的盲领域图像样本分类方法，该方法采用了跨领域数据生成与增广策略，高效地降低不同数据领域之间的偏差。具体地说，超限隐特征模型将ELM和ELM‑AE(基于ELM的自编码器)纳入统一的优化模型，继承了ELM和ELM‑AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果，具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度。本发明利用超限隐特征模型解决盲领域适配问题，融合跨领域知识，有效降低不同领域数据之间的领域偏差，提高了盲领域数据分类准确率。
-
公开(公告)号：CN119942297A
公开(公告)日：2025-05-06
申请号：CN202411912211.2
申请日：2024-12-24
Applicant: 重庆邮电大学
IPC: G06V10/82 , G06V10/42 , G06V10/80 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于多样化特征学习和协调的红外小目标检测方法。该方法提出了多样化特征捕获和协调网络，该网络通过多路径编码学习并协调多样化特征。多样化特征学习与协调网络包括一个与检测分支并行运行的红外图像重建分支，通过互补的上下文编码保持小目标信息，并减少特征丢失。此外，本发明引入了一个使用FTConv的全局特征提取分支，用于捕捉目标边缘并抑制背景噪声。跨层特征自适应选择方法自适应地协调各层特征，增强了在复杂背景中的检测能力，并保持了小目标细节。本发明还提出了坐标校准损失函数和两阶段训练策略，用于细化预测的目标位置。三个红外小目标数据集上的实验结果表明，本发明所提出的方法优于当前的最先进方法。
-
Patent Agency Ranking
公开(公告)号：CN116402798A
公开(公告)日：2023-07-07
申请号：CN202310380512.4
申请日：2023-04-11
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06T5/00 , G06V10/762 , G06V10/772
Abstract: 本发明提出了一种用于高光谱遥感图像异常检测的分层式鲁棒判别学习方法。其特点在于通过强化高光谱图像中背景成分与异常目标成分结构上的非相干约束，以促进两者之间的内在非相干性与相异性，从而增强两者的可分离性。通过l1，1范数和Frobenius范数来有效刻画真实场景下高光谱遥感图像获取过程中引入的复杂混合噪声，提高异常目标检测模型的抗噪声性能。为更精确地分离深度混合的背景和异常目标，获得稳健且检测能力更强的异常目标检测模型，设计了分层式的检测思想，渐进式地分离深度混合的高光谱遥感图像中的背景和异常目标成分。本发明不仅可以提高背景和异常目标之间的可区分能力，而且具有非常强的噪声抑制性能和检测鲁棒性。
-
公开(公告)号：CN109934295B
公开(公告)日：2022-04-22
申请号：CN201910204091.3
申请日：2019-03-18
Applicant: 重庆邮电大学
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于超限隐特征学习模型的图像分类与重建方法，采用了一种数据重构策略进行特征学习，高效学习原始感知数据与相应的高级语义转换关系。具体地说，ELM和ELM‑AE(基于ELM的自编码器)被统一在一个学习模型中，该模型具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度并具备优异的图像数据重建能力。ELF(超限隐特征学习模型)继承了ELM和ELM‑AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果。此外，使用了一种基于交错方向法的高效算法来求解优化ELF模型，进一步提升了ELF模型的精度。
-
公开(公告)号：CN118038157A
公开(公告)日：2024-05-14
申请号：CN202410201437.5
申请日：2024-02-23
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于双编码器多阶段特征融合网络的红外小目标检测方法。该方法通过从红外图像中提取更多有价值的信息，并充分利用网络不同阶段的特征信息。其特点在于设计一个具有不同的输入的双编码器，以捕获更多与小目标相关的信息。此外，设计了一个感受野扩展注意力模块用于整合非局部上下文信息，以提取多尺度空间信息和丰富通道交互信息。在解码阶段，采用三输入特征融合模块来交换低级空间细节和高级语义信息，以在更深层中保留更多小目标信息。最后，再通过连接来自解码器不同层的多尺度特征，生成更具区分性的特征图。在红外小目标数据集上的实验结果显示，本发明所提出的双编码器多阶段特征融合网络能够取得出色的检测性能。
-
公开(公告)号：CN109934304A
公开(公告)日：2019-06-25
申请号：CN201910228715.5
申请日：2019-03-25
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于超限隐特征模型的盲领域图像样本分类方法，该方法采用了跨领域数据生成与增广策略，高效地降低不同数据领域之间的偏差。具体地说，超限隐特征模型将ELM和ELM-AE(基于ELM的自编码器)纳入统一的优化模型，继承了ELM和ELM-AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果，具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度。本发明利用超限隐特征模型解决盲领域适配问题，融合跨领域知识，有效降低不同领域数据之间的领域偏差，提高了盲领域数据分类准确率。
-
公开(公告)号：CN109934295A
公开(公告)日：2019-06-25
申请号：CN201910204091.3
申请日：2019-03-18
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于超限隐特征学习模型的图像分类与重建方法，采用了一种数据重构策略进行特征学习，高效学习原始感知数据与相应的高级语义转换关系。具体地说，ELM和ELM-AE(基于ELM的自编码器)被统一在一个学习模型中，该模型具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度并具备优异的图像数据重建能力。ELF(超限隐特征学习模型)继承了ELM和ELM-AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果。此外，使用了一种基于交错方向法的高效算法来求解优化ELF模型，进一步提升了ELF模型的精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
