-
公开(公告)号：CN116486085B
公开(公告)日：2023-12-19
申请号：CN202310474551.0
申请日：2023-04-27
Applicant: 北京卫星信息工程研究所
Abstract: 本发明涉及一种遥感图像的场景描述方法，包括：S100，根据遥感图像构建遥感知识词库；S200，根据Mask2Former网络对所述遥感图像进行全景分割，得到全景分割结果并生成语义分割结果；S300，引入语义扩充模块，根据所述全景分割结果和所述语义分割结果对所述遥感图像进行语义扩充；S400，以ResNet特征提取网络为基础，引入基于通道的注意力模块，提取所述遥感图像中不同通道的语义特征信息；S500，以LSTM场景描述网络为基础，引入知识融合模块，生成关于所述遥感图像的场景描述语句。本发明能更加准确地描述高分遥感图像所携带的丰富语义及空间信息，可应用于遥感图像智能解译、遥感图像大数据管理等领域，具有广阔的前景。
-
公开(公告)号：CN116486238B
公开(公告)日：2023-09-15
申请号：CN202310466470.6
申请日：2023-04-26
Applicant: 北京卫星信息工程研究所
IPC: G06V10/86 , G06V10/774 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种联合点集表示与图分类的目标细粒度识别方法，包括：构建并训练基于Oriented RepPoints的目标点集表示模型，检测生成代表目标的点集；将所述点集中的点作为节点，根据空间关系构建图结构；截取每个点周围的矩形区域，并将该矩形区域对应的卷积特征作为图节点的特征；构建图卷积神经网络模型，对所述图节点的特征进行聚合与更新，并整合所有图节点的特征进行图分类。通过实施本发明的上述方案，通过综合利用目标的部件特征以及部件之间的关系，提高目标细粒度识别的精度。
-
公开(公告)号：CN116486238A
公开(公告)日：2023-07-25
申请号：CN202310466470.6
申请日：2023-04-26
Applicant: 北京卫星信息工程研究所
IPC: G06V10/86 , G06V10/774 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种联合点集表示与图分类的目标细粒度识别方法，包括：构建并训练基于Oriented RepPoints的目标点集表示模型，检测生成代表目标的点集；将所述点集中的点作为节点，根据空间关系构建图结构；截取每个点周围的矩形区域，并将该矩形区域对应的卷积特征作为图节点的特征；构建图卷积神经网络模型，对所述图节点的特征进行聚合与更新，并整合所有图节点的特征进行图分类。通过实施本发明的上述方案，通过综合利用目标的部件特征以及部件之间的关系，提高目标细粒度识别的精度。
-
公开(公告)号：CN116486169A
公开(公告)日：2023-07-25
申请号：CN202310477115.9
申请日：2023-04-27
Applicant: 北京卫星信息工程研究所
IPC: G06V10/764 , G06V10/26 , G06V10/762 , G06F16/36 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/50
Abstract: 本发明涉及遥感图像目标动向判别方法，包括：S100，对遥感图像进行全景分割标注和目标行为动向标注，确定目标动向知识图谱；S200，基于遥感图像建立全景分割模型，以ResNet作为特征提取主干网络，并引入交叉注意力模块提取长距上下文信息；S300，根据全景分割网络中的实例分割分支对遥感图像进行实例级分割，根据全景分割网络中的语义分割分支对遥感图像进行语义级分割；S400，引入基于贝叶斯决策的分支融合模块，对实例分割分支和语义分割分支的结果进行决策融合，生成全景分割图像；S500，将全景分割图像进行像素聚类生成场景信息知识图谱；S600，根据图注意力网络，对场景信息知识图谱中的关注目标进行动向判别。本发明可推理遥感图像中目标的行为动向信息。
-
公开(公告)号：CN116486160A
公开(公告)日：2023-07-25
申请号：CN202310457860.7
申请日：2023-04-25
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06N3/048 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及一种基于光谱重建的高光谱遥感图像分类方法、设备及存储介质，基于光谱重建的高光谱遥感图像分类方法包括：步骤S1、对高光谱遥感图像进行数据降维；步骤S2、构建输入样本；步骤S3、建立基于光谱重建任务的自监督预训练网络，通过无标注样本训练特征提取主干网络；步骤S4、基于预训练阶段的特征提取主干网络构建高光谱遥感图像的分类网络，通过标注样本训练分类网络，完成逐像素的分。本发明，能够在小样本情况下显著提升高光谱遥感图像分类准确率并具有较快的模型训练速度，对实际应用具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN116416136A
公开(公告)日：2023-07-11
申请号：CN202310408459.4
申请日：2023-04-17
Applicant: 北京卫星信息工程研究所
IPC: G06T3/40 , G06T5/50 , G06T7/00 , G06V20/13 , G06V10/26 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种可见光遥感图像舰船目标检测的数据扩增方法、设备及存储介质，获取原始可见光遥感图像数据集及其标注文件；确定需要进行扩增的舰船类别；引入语义评估模块，得到能够扩增的合理区域；依据原始可见光遥感图像数据集的标注文件，提取原始各类舰船切片样本；对原始各类舰船切片样本进行超分辨率重建，构建舰船扩增样例库；将原始可见光遥感图像和舰船扩增样例库进行图像合成处理，得到扩增后的图像；对扩增后的图像进行质量评估，筛选替换原始图像。本发明，实现了舰船少数类的自动扩增，解决因训练集类间不平衡导致训练出来模型偏向于多数类，而对少数类识别精度下降的问题。
-
公开(公告)号：CN116385881A
公开(公告)日：2023-07-04
申请号：CN202310378004.2
申请日：2023-04-10
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明涉及遥感图像地物变化检测方法及装置，包括获取同一区域不同时相的两幅图像；利用两个共享权重的U‑Net作为主干网络，对输入的两个时相的遥感图像，经过主干网络的两个分支进行特征提取；对两个分支提取的特征进行局部交换；通过多头自注意力机制，对交换后得到的特征进行全尺度的特征提取；再对两个分支的遥感图像恢复空间尺度，然后对特征进行融合，得到新的融合分支；利用U‑Net网络的两个分支和融合分支进行地物变化检测，得到遥感图像地物变化检测结果。本发明能够有效提高遥感图像地物变化的检测精度。
-
公开(公告)号：CN116630794B
公开(公告)日：2024-02-06
申请号：CN202310457764.2
申请日：2023-04-25
Applicant: 北京卫星信息工程研究所 , 哈尔滨工程大学
IPC: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/766 , G06V10/764 , G06T7/73 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于排序样本选择的遥感图像目标检测方法、电子设备，获取遥感图像及对应的目标标签，并进行预处理；通过特征提取主干网络以及特征金字塔网络，得到对应的多尺度特征图；构建分类分支网络以及位置及角度回归分支网络，对多尺度特征图进行预测，获得目标预测值；利用目标标签以及预测值，在多尺度特征图上计算得到交并比自适应阈值，筛选样本点以获得满足条件的正负样本；计算分类排序损失、定位排序损失以及回归损失进行网络训练；重复执行上述步骤，训练检测模型；利用检测模型进行检测。本发明，缓解正负样本不均衡导致传统分类能力难以学习的问题，促进目标检测性能提升，对高分辨率遥感图像旋转框目标检测具有重要意义。
-
公开(公告)号：CN116524368B
公开(公告)日：2023-12-19
申请号：CN202310403716.5
申请日：2023-04-14
Applicant: 北京卫星信息工程研究所
Abstract: 本发明涉及遥感图像目标检测方法，包括获取至少一幅包含待测目标的卫星遥感图像，利用卷积神经网络提取卫星遥感图像的多尺度特征，根据嵌入掩膜引导特征金字塔网络学习前景目标区域的特征，并生成用于提取原始图像中疑似目标区域的旋转候选框，利用旋转RoIAlign对齐操作对疑似目标区域进行特征提取，将提取到的特征送入由Smooth‑L1回归损失和角边距分类损失组成的有向检测头进行分类识别与回归定位。本发明提升了目标检测方法对港口等复杂背景的抗干扰能力，减少了云雾、形似干扰物造成的虚警，提高了目标检测的识别精度，可应用于高分辨率遥感图像中的船只、飞机等目标识别。(56)对比文件Pengming Feng等.Embranchment CnnBased Local Climate Zone ClassificationUsing Sar And Multispectral RemoteSensing Data.IGARSS 2019 - 2019 IEEEInternational Geoscience and RemoteSensing Symposium.2019,全文.Jiankang Deng等.ArcFace: AdditiveAngular Margin Loss for Deep FaceRecognition.2019 IEEE/CVF Conference onComputer Vision and Pattern Recognition(CVPR).2020,全文.
-
公开(公告)号：CN116486169B
公开(公告)日：2023-12-19
申请号：CN202310477115.9
申请日：2023-04-27
Applicant: 北京卫星信息工程研究所
IPC: G06V10/764 , G06V10/26 , G06V10/762 , G06F16/36 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/50
Abstract: 本发明涉及遥感图像目标动向判别方法，包括：S100，对遥感图像进行全景分割标注和目标行为动向标注，确定目标动向知识图谱；S200，基于遥感图像建立全景分割模型，以ResNet作为特征提取主干网络，并引入交叉注意力模块提取长距上下文信息；S300，根据全景分割网络中的实例分割分支对遥感图像进行实例级分割，根据全景分割网络中的语义分割分支对遥感图像进行语义级分割；S400，引入基于贝叶斯决策的分支融合模块，对实例分割分支和语义分割分支的结果进行决策融合，生成全景分割图像；S500，将全景分割图像进行像素聚类生成场景信息知识图谱；S600，根据图注意力网络，对场景信息知识图谱中的关注目标进行动向判别。本发明可推理遥感图像中目标的行为动向信息。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.042 seconds)
