-
公开(公告)号：CN114067152A
公开(公告)日：2022-02-18
申请号：CN202210043155.8
申请日：2022-01-14
Applicant: 南湖实验室
IPC: G06V10/762 , G06V10/764 , G06K9/62 , G06N3/08 , G06V20/13
Abstract: 本发明提供了一种基于星载SAR影像的精细化洪水淹没区提取方法，包括：S1、获取目标区域的SAR图像，对SAR图像进行超像素分割和阈值分割获得分割结果，根据所述分割结果得到背景百分比，并计算每个图像对象的特征向量；S2、通过对所述超像素分割结果、背景百分比和特征向量进行处理构建无向图并得到部分结点的类别标签；S3、根据所述的无向图和得到的部分结点的类别标签训练图卷积神经网络，并通过训练好的图卷积神经网络预测其它结点的类别，得到淹没后的水体提取结果；S4、将提取的淹没后的水体分布与洪水前的水体分布做差，得到洪水淹没区域。本发明可以兼顾图像对象特征和图像对象之间空间关系，能够显著提高SAR影像中洪水淹没区的提取精度。
-
公开(公告)号：CN117688595A
公开(公告)日：2024-03-12
申请号：CN202410153567.6
申请日：2024-02-04
Applicant: 南湖实验室
Abstract: 本方案公开了一种基于可信执行环境的同态加密性能提升方法及其系统，包括：获取计算任务；根据计算任务中计算函数列表，将计算任务分解成一组子任务；根据同态加密基础算子列表依次对各子任务进行分解得到子操作集；依据能否使用同态加密基础算子列表中元素直接实现，将各子操作标注为“线性操作”和“非线性操作”；依次处理各子操作：子操作被标注为“线性操作”，根据子操作任务确定同态计算方案，获取并使用加密的计算数据进行同态加密计算；子操作被标注为“非线性操作”，于可信执行环境中完成明文计算；将加密的计算结果返回至用户端。通过上述方案实现了通过利用可信执行环境实现的同态加密计算服务的高效和准确性。
-
公开(公告)号：CN115272278A
公开(公告)日：2022-11-01
申请号：CN202210975746.9
申请日：2022-08-15
Applicant: 南湖实验室
IPC: G06T7/00 , G06T7/20 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本方案公开了一种用于遥感图像变化检测的变化检测模型的构建方法,模型包括两个孪生网络，孪生网络均依次包括输入层、网络层一、网络层二和分类层，输入层的输入为图象块一和图象块二，检测模型根据两个分类层的输出得到两个图象块的差异图像；输入层包括卷积模块、FMBConv模块和ASPP模块；网络层一包括第一双分支模块和第二双分支模块，其中一个分支均包括可变形卷积；网络层二包括多头自注意力瓶颈模块。本方案使用包括可变形卷积的双分支结构和多头自注意力机制，使模型在保证特征图空间分辨率的同时增大其感受野，提高模型的检测精度。
-
公开(公告)号：CN114418898A
公开(公告)日：2022-04-29
申请号：CN202210274449.1
申请日：2022-03-21
Applicant: 南湖实验室
IPC: G06T5/00 , G06T7/73 , G06V10/774 , G06K9/62
Abstract: 本发明提供了一种基于目标重叠度计算和自适应调整的数据增强方法，包括：S1、将已标注的目标检测任务的数据集作为对象；S2、对待扩展目标进行选择：选定一个或多个目标类别作为待扩展类别，筛选出整个数据集中包含所述待扩展类别的图片的集合作为待扩展集合，从整个数据集中随机选取一定比例数量的图片组成集合作为待生成集合；S3、所述待扩展集合与所述待生成集合中的图片随机组合，通过重叠度计算与自适应调整的方法，生成新图片与新标签以进行数据增强。本发明可以提升数据集中的图片数量、目标数量、目标与背景组合的多样性，提升深度神经网络模型的训练效率和性能。
-
公开(公告)号：CN114117333A
公开(公告)日：2022-03-01
申请号：CN202210068973.3
申请日：2022-01-20
Applicant: 南湖实验室
Abstract: 本发明公开了一种用于异常检测的对抗重构网络设计、训练方法及检测方法，尤其涉及一种用于异常检测的可支持多段式训练的对抗重构网络损失函数设计方法，包括重构网络损失函数和判别网络损失函数，所述的重构网络损失函数包括重构损失函数和重构对抗损失函数，所述的判别网络损失函数包括真实图像判别损失函数和判别对抗损失函数，所述的重构损失函数用于评估重构网络的重构性能，真实图像判别损失函数用于评估判别网络的判别性能，所述的重构对抗损失函数和判别对抗损失函数用于重构网络和判别网络对抗训练的交互。前述对抗重构网络损失函数涉及方法为多段式训练策略提供基础，使模型训练更稳定，克服对抗重构网络的对抗训练不稳定的问题，保证最终的重构网络能够高效复原正常样本，且判别网络对正常样本赋高分。
-
Patent Agency Ranking
公开(公告)号：CN113902650A
公开(公告)日：2022-01-07
申请号：CN202111481416.6
申请日：2021-12-07
Applicant: 南湖实验室
Abstract: 本发明提供了一种基于平行深度学习网络架构的遥感影像锐化方法，包括以下步骤：S1、获得遥感全色影像在锐化过程中的光谱要素特征：建立多层次深度卷积神经网络架构，获取遥感影像中多光谱波段与全色波段时空‑光谱之间的定量关系；S2、获得遥感多光谱影像在锐化过程中的纹理要素特征：建立多尺度深度卷积神经网络架构，获取遥感影像全色波段不同地物类型的纹理细节特征；S3、获取遥感影像锐化产品：融合所述光谱要素特征和纹理要素特征，建立深度学习重建网络以获取遥感影像锐化产品。本发明适用于多种遥感影像传感器，同时又能在复杂地物类型中提高遥感影像空间分辨率和光谱信息保真度，解决遥感影像快速、准确生产出锐化产品的问题。
-
公开(公告)号：CN113569266B
公开(公告)日：2021-12-28
申请号：CN202111104191.2
申请日：2021-09-22
Applicant: 南湖实验室
Abstract: 本发明公开了一种基于芯片层级隐私计算的主机远程监控方法，包括：S1.用户端主机中的监控软件在基于芯片层级的可信执行环境中启动；S2.判断用户端主机本地是否存在有效的隐私数据，若是，直接进入步骤S4，否则，进入步骤S3；S3.与监管方建立安全连接并抓取隐私数据；S4.运行在可信执行环境中的监控软件基于隐私数据执行相关监测指令，并对监测结果加密和签名后传输给监管方。本方案利用基于隐私计算可信执行环境来保证用户端监测信息的有效性、不可篡改性和监控的安全性，并且基于监管方的加密密钥和签名密钥来对监测信息进行加密和签名，能够将监管信息存放在本地，避免实时连接带来的大开销成本。
-
公开(公告)号：CN113282946A
公开(公告)日：2021-08-20
申请号：CN202110817060.2
申请日：2021-07-20
Applicant: 南湖实验室
Abstract: 本发明公开了一种基于高可信环境下数据访问过程的信息安全方法及系统，包括：S1.用户交互单元可信接收任务请求并生成任务标识符；S2.数据运算单元下载并加载任务请求对应的应用程序至加密内存，并得到测量值及其测量值签名；S3.数据授权单元根据测量值生成访问令牌；S4.数据运算单元基于访问令牌使用数据中心相应的数据，基于该数据得到结果，将结果和使用数据进行可信处理分别得到结果信息和使用数据信息；S5.用户交互单元对使用数据信息和结果信息分别进行可信验证，并在验证成功后将结果信息发送给数据使用方。本方案对实时移动到数据端的程序做实时的审查、验证，在验证成功后才授权其访问数据中心，有效避免不可信软件对数据安全造成威胁。
-
公开(公告)号：CN115272278B
公开(公告)日：2025-01-07
申请号：CN202210975746.9
申请日：2022-08-15
Applicant: 南湖实验室
IPC: G06T7/00 , G06T7/20 , G06N3/0464 , G06N3/045 , G06N3/084 , G06V10/82 , G06V10/764
Abstract: 本方案公开了一种用于遥感图像变化检测的变化检测模型的构建方法,模型包括两个孪生网络，孪生网络均依次包括输入层、网络层一、网络层二和分类层，输入层的输入为图象块一和图象块二，检测模型根据两个分类层的输出得到两个图象块的差异图像；输入层包括卷积模块、FMBConv模块和ASPP模块；网络层一包括第一双分支模块和第二双分支模块，其中一个分支均包括可变形卷积；网络层二包括多头自注意力瓶颈模块。本方案使用包括可变形卷积的双分支结构和多头自注意力机制，使模型在保证特征图空间分辨率的同时增大其感受野，提高模型的检测精度。
-
公开(公告)号：CN116977632A
公开(公告)日：2023-10-31
申请号：CN202310794223.9
申请日：2023-06-30
Applicant: 南湖实验室
IPC: G06V10/26 , G06N3/0464 , G06V20/10 , G06V10/40 , G06V10/82 , G06V10/764 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于非对称卷积的改进U‑Net网络的滑坡提取方法，该基于非对称卷积的改进U‑Net网络的滑坡提取方法包括所述多源数据构建包括根据目标区域的高分辨率遥感影像获取包含该地区的DEM数据、坡度信息和变化特征的六通道数据；所述模型构建包括，总体上采用U‑Net网络结构，编码器部分采用非对称卷积代替原有标准卷积层，解码器采用密集上采样构成。本申请先提取变化特征，再输入模型训练，在深度学习模型训练预测阶使用DEM+坡度+变化特征作为滑坡的约束条件，使得深度学习可以从数据中提炼诸如滑坡与坡面这类复杂关系的深层次数据联系；创造性地利用非对称卷积更准确地提取不同方向上的特征而不受旋转目标的干扰，提高了网络对旋转畸变的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.019 seconds)
