-
公开(公告)号：CN106355212A
公开(公告)日：2017-01-25
申请号：CN201610969296.7
申请日：2016-10-28
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/46 , G06K2009/4657 , G06N20/00
Abstract: 基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的在于克服在高光谱图像分类方法中不能对高光谱图像的空间信息进行充分挖掘以及没有考虑基核之间非线性交互作用产生的有用信息的不足。具体过程为：一：利用主成分分析方法提取高光谱图像的主成分，在主成分基础上获取高光谱图像扩展的多结构元素形态学轮廓特征；二：构建线性基核；三：得到非线性组合核；四：将非线性组合核带入支持向量机中，采用梯度下降法得到的最优核权重；五：对高光谱图像进行分类。本发明用于图像分类领域。
-
公开(公告)号：CN119007031A
公开(公告)日：2024-11-22
申请号：CN202411113632.9
申请日：2024-08-14
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/26 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 基于掩码图像建模的遥感图像多模态统一表示学习方法，本发明涉及遥感图像多模态统一表示学习方法，属于多模态卫星遥感技术领域。本发明的目的是为了解决现有方法由于遥感异构数据特征差异大与带标签的遥感数据量不足，导致现存方法难以充分利用到海量无标签多模态遥感数据，模型过拟合且分类准确率低的问题。过程为：获得训练好的基于掩码图像建模的遥感图像多模态统一表示学习的分类下游任务微调模型和基于掩码图像建模的遥感图像多模态统一表示学习的语义分割下游任务微调模型；将待测多模态遥感配对图像输入训练好的分类下游任务微调模型，输出分类结果；将待测多模态遥感配对图像输入训练好的语义分割下游任务微调模型，输出语义分割结果。
-
公开(公告)号：CN118941463A
公开(公告)日：2024-11-12
申请号：CN202411056531.2
申请日：2024-08-02
Applicant: 哈尔滨工业大学
IPC: G06T5/70 , G06T5/60 , G06N3/0895 , G06N3/0464
Abstract: 基于卷积神经网络和去噪正则化方法的激光雷达点云数据处理方法、存储介质及设备，本发明涉及激光雷达点云数据处理领域，涉及激光雷达点云数据处理方法、存储介质及设备。本发明的目的是为了解决现有激光雷达点云数据去噪方法去噪准确率低，处理效率低，导致获取的去噪后的图像与真实图像误差大的问题。过程为：获得预处理后的激光雷达点云数据；获取去噪器；构建正则化项；构建目标函数；对目标函数进行求解获得去噪后的激光雷达点云数据；将预处理后的激光雷达点云数据作为输入，去噪后的激光雷达点云数据作为输出，基于目标函数中的惩罚函数进行自监督训练，获得训练好的网络；基于训练好的网络对待测激光雷达点云数据进行处理。
-
公开(公告)号：CN117522827B
公开(公告)日：2024-07-12
申请号：CN202311552590.4
申请日：2023-11-20
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/26 , G06V10/52 , G06V10/62 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 基于稀疏编码和低频重建的遥感基础模型构建方法及系统，本发明涉及遥感基础模型构建方法及系统。本发明针对现有遥感基础模型只注重样本实例或像素间的关联性，忽略了对遥感图像变化检测任务至关重要的多尺度特征和频率信息，导致模型泛化能力不足、遥感图像变化检测准确率低。过程为：构建无标注遥感图像样本集；基于低频频率生成低频重建目标1；采用骨干网络‑解码器网络对图像的掩码区域进行像素重建，基于重建的掩码区域和非掩码区域获得重建目标2；得到预训练好的骨干网络‑解码器网络；获得训练好的变化检测网络；将待测的同一地区不同时间的一对遥感图像输入训练好的变化检测网络进行变化检测。本发明属于遥感图像领域。
-
公开(公告)号：CN115797175A
公开(公告)日：2023-03-14
申请号：CN202211527017.3
申请日：2022-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法，本发明涉及基于亚像素字典学习的高光谱遥感图像空间超分辨方法。本发明的目的是为了解决现有利用端元的解混方法针对最终的类别图，限制了高空间分辨率图像的应用范围，同时端元信息的有限性限制了重建高空间分辨率高光谱图像的质量的问题。一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法具体过程为：步骤1：构建基于亚像素字典学习的高光谱遥感图像空间超分辨模型；步骤2：基于原始高光谱图像进行随机字典初始值选取；步骤3：用Split‑Bregman迭代法对超分辨模型进行迭代优化，输出高空间分辨率高光谱图像。本发明属于遥感图像处理领域。
-
Patent Agency Ranking
公开(公告)号：CN119380010A
公开(公告)日：2025-01-28
申请号：CN202411399329.X
申请日：2024-10-09
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/77 , G06V10/80 , G06V10/82 , G06V20/13 , G06V20/17 , G06N3/0464 , G06N3/0455 , G06F40/30 , G06F18/22
Abstract: 本发明提出图像文本双向特征增强的遥感图像指向性分割方法，所述方法包括以下步骤：步骤一、通过骨干网络分别提取图像特征和文本特征，使用图像特征对文本特征进行增强；步骤二：基于步骤一获得的原始图像特征和文本特征，使用文本特征对图像特征进行注意力补充增强；步骤三、基于步骤一和步骤二中获得的增强文本特征和增强图像特征进行交互解码，最终获得遥感图像指向性分割的掩码结果。本发明提出了图像与文本的双向特征增强方法，充分挖掘跨模态特征之间的相似性与互补性，实现特征的精准对齐，显著提升了指向性分割的精度。
-
公开(公告)号：CN119068072A
公开(公告)日：2024-12-03
申请号：CN202411209246.X
申请日：2024-08-30
Applicant: 哈尔滨工业大学
IPC: G06T11/00 , G06F30/17 , G06F17/16 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/09 , G06N3/084
Abstract: 基于超表面的高光谱图像重构方法，本发明涉及高光谱图像重构方法，属于高光谱相机技术领域。本发明的目的是为了解决现有的高光谱相机尺寸过大以及成像时间过长的问题，同时也为了解决现有的超表面高光谱相机重构精度差，设计流程复杂的问题。过程为：一、训练超表面响应层，基于训练好的超表面响应层获得超表面单元的响应矩阵；二：获取最优的超表面响应矩阵排布方式；三、基于逆向设计算法推导出一种最优的超表面响应矩阵排布方式的真实物理尺寸参数；将真实物理尺寸参数制作成一个超表面透镜；四、将三得到的超表面透镜直接覆盖在相机的CMOS上，相机接收被拍摄场景的连续光谱得到多光谱图像；基于多光谱图像得到高光谱图像。
-
公开(公告)号：CN118941870A
公开(公告)日：2024-11-12
申请号：CN202411056528.0
申请日：2024-08-02
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/40 , G06V10/774
Abstract: 一种面向遥感场景的多光谱点云分类方法，本发明涉及多光谱点云分类方法。本发明的目的是为了解决现有基于机器学习的多光谱点云分类方法分类效果较差，基于深度学习的多光谱点云分类方法需要大量手动标注的真值辅助训练的问题。过程为：利用网格平衡采样方法对多光谱点云进行处理，获得训练与测试样本；构建特征聚合网络；构建多分类头与自适应混合损失模块；获得训练好的特征聚合网络和多分类头与自适应混合损失模块；将待测多光谱点云输入训练好的特征聚合网络，训练好的特征聚合网络输出特征输入训练好的多分类头与自适应混合损失模块，训练好的多分类头与自适应混合损失模块输出分类预测结果。本发明属于多光谱点云分类领域。
-
公开(公告)号：CN118212547A
公开(公告)日：2024-06-18
申请号：CN202410319866.2
申请日：2024-03-20
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 面向遥感场景分类任务的基础模型参数微调方法，本发明涉及基础模型参数微调方法。本发明的目的为了解决大规模预训练基础模型微调时计算成本和内存需求大、适应性差以及现有微调方法忽略了遥感数据中的先验信息以及时空相关性的问题。过程为：1：获得预训练好的ConvNeXt骨干网络；2：构建场景分类网络模型；场景分类网络模型包括：ConvNeXt骨干网络、适配器模块、上下文感知提示模块和场景分类任务头；3：使用标注训练样本对场景分类网络模型的参数进行微调，微调时冻结除适配器模块、上下文感知提示模块及场景分类任务头的所有参数，获得微调好的场景分类网络模型。本发明用于遥感图像处理领域。
-
公开(公告)号：CN113850216A
公开(公告)日：2021-12-28
申请号：CN202111160930.X
申请日：2021-09-30
Applicant: 哈尔滨工业大学
Abstract: 一种面向大场景遥感图像分类的类指定多模联合表示方法，本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为：一、输入覆盖区域相同的多模遥感图像，以及相应的地物标签图，构造多模遥感图像的类指定多模联合表示模型；所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像；二、采用乘数交替方向法求解多模遥感图像的类指定多模联合表示模型，得到类指定跨模字典；三、输入大场景多光谱遥感图像，利用多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示，学习得到一致稀疏表示系数矩阵；四、重构得到大场景的高判别性高光谱图像。本发明用于遥感图像分类领域。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.07 seconds)
