-
公开(公告)号：CN117689579B
公开(公告)日：2024-05-03
申请号：CN202311704091.2
申请日：2023-12-12
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种渐进式双解耦的SAR辅助遥感影像厚云去除方法，所述方法包括以下步骤：获取厚云遮挡光学遥感影像、无云参考影像和SAR影像三元数据集；构建渐进式双解耦的SAR辅助遥感影像厚云去除模型；训练渐进式双解耦的SAR辅助遥感影像厚云去除模型；待厚云去除的厚云遮挡光学遥感影像及对应SAR影像数据的获得及预处理；光学遥感影像厚云去除结果的获得。与现有技术相比，通过构建SAR和光学影像渐进式融合模块，充分利用两种模态间的互补信息，加强对光学影像缺失信息的补充和对SAR影像中噪声、形变的抑制。同时本发明设计的频域和空域双解耦特征处理架构，使得去云影像在光谱信息和结构信息的保持上均表现优异。
-
公开(公告)号：CN117934978A
公开(公告)日：2024-04-26
申请号：CN202410330740.5
申请日：2024-03-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06V20/10
Abstract: 本发明涉及一种基于对抗学习的高光谱和激光雷达多层融合分类方法，与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤：高光谱和激光雷达数据的特征提取；多注意力的对抗性学习；多层次特征融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征，但是，很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点，提出用三支路提取数据特征，利用对抗性网络学习无标签数据的特征，并采用多注意力层次融合多模态特征进入分类网络，有效地解决了多模态数据融合分类问题，提高了分类的准确性和效率。
-
公开(公告)号：CN117934975A
公开(公告)日：2024-04-26
申请号：CN202410328183.3
申请日：2024-03-21
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/30 , G06V10/762 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明涉及一种全变分正则引导图卷积的无监督高光谱图像分类方法。与现有技术相比解决了在无标签情况下对复杂场景高光谱图像难以准确分类的问题。本发明包括以下步骤：基于相对全变分的高光谱图像去噪预处理；构建全变分正则引导图卷积模块和空谱自编码器模块的联合模型；训练全变分正则引导图卷积模块和空谱自编码器模块的联合模型；高光谱图像无监督分类结果的获得。该方法旨在解决高光谱图像分类中样本标签缺乏的问题，通过利用全变分正则项，促使图卷积网络在学习过程中保持图像空间的平滑性和一致性，并利用空谱自编码器模块提取空谱局部上下文信息，使得模型能够在复杂的无监督分类任务中保持鲁棒性和泛化性。
-
公开(公告)号：CN117934519A
公开(公告)日：2024-04-26
申请号：CN202410324602.6
申请日：2024-03-21
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/00 , G06N3/044 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种非配对增强合成的食管肿瘤CT图像自适应分割方法，与现有技术相比解决了非配对的CT影像合成增强CT影像有伪影以及食管癌边缘模糊难以分割的缺陷。本发明包括以下步骤：食管癌CT影像和增强CT影像的获取及预处理；构建非配对的食管癌CT影像和增强CT影像合成与分割模型；非配对的食管癌CT影像与增强CT影像合成与分割模型的训练；待合成和分割食管癌CT影像的获得及预处理；非配对的食管癌CT影像和增强CT影像合成与分割结果的获得。本发明针对非配对的CT影像和增强CT影像对比度差异大、食管癌边界不明显的特点，提出一种新的合成与分割统一框架的方法，同时合成增强CT影像和分割食管癌，有效地提升了合成效果以及食管癌分割的准确性。
-
公开(公告)号：CN116992499A
公开(公告)日：2023-11-03
申请号：CN202311006566.0
申请日：2023-08-11
Applicant: 安徽大学
Abstract: 本发明涉及一种基于FPGA的轻量级M_SR PUF电路，包括第一M_NAND延时门、第二M_NAND延时门、第一锁存器和第二锁存器，第一锁存器的输出端分别与第一M_NAND延时门的第一信号输入端、第二M_NAND延时门的第一信号输入端相连，第一M_NAND延时门的输出端分别与第二M_NAND延时门的第二信号输入端、第二锁存器的输入端相连，第二M_NAND延时门的输出端与第一M_NAND延时门的第二信号输入端相连，第二锁存器的输出端输出RES信号。本发明还公开了一种基于FPGA的轻量级M_SR PUF电路的评估系统。本发明中的MUX单元结构一致且位置固定，保证了延迟单元的公平性；达到了可观的输出响应质量指标，例如唯一性和稳定性；所提出的PUF电路面积消耗低，是目前轻量级物联网认证系统的良好候选者。
-
Patent Agency Ranking
公开(公告)号：CN115830597B
公开(公告)日：2023-07-07
申请号：CN202310014291.9
申请日：2023-01-05
Applicant: 安徽大学
IPC: G06V20/70 , G06V10/26 , G06V20/13 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，所述方法包括以下步骤：基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作、构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型、对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证。与现有技术相比通过构建从局部到全局的域自适应遥感影像语义分割网络，解决了超高分辨率遥感影像难以自适应的问题，并从局部语义特征差异到全局结构特征差异进行特征对齐，得到局部以及全局的特征表示，使超高分辨率遥感影像域自适应的语义分割精度得到提升。
-
公开(公告)号：CN116203562A
公开(公告)日：2023-06-02
申请号：CN202310337673.5
申请日：2023-03-31
Applicant: 安徽大学
Abstract: 本发明涉及一种光学影像辅助的星载立体SAR影像控制点自动生成方法，与现有技术相比实现了从不同升降轨立体SAR影像中自动化的完成灯柱这一类控制点的匹配、提取、误差剔除，并形成可用的控制点。本发明包括以下步骤：基于高分光学影像上提取立体SAR影像上同名灯柱点的近似坐标；SAR影像灯柱PS点像方坐标粗略提取；SAR影像灯柱PS点坐标精确提取；SAR影像灯柱PS点异常值剔除；SAR影像灯柱PS点坐标误差补偿；立体平差处理生成灯柱控制点三维坐标。本发明实现立体SAR影像同名PS点自动化匹配、提取、误差剔除，生成高精度可用的控制点，为基础测绘以及其他卫星几何校正提供控制数据。
-
公开(公告)号：CN114839632B
公开(公告)日：2022-11-22
申请号：CN202210414908.1
申请日：2022-04-20
Applicant: 安徽大学
IPC: G01S13/90
Abstract: 本发明涉及一种联合非摄影测量观测条件约束的SAR无控几何定标方法及其系统，与现有技术相比解决了需依赖地面几何定标场数据进行定标的缺陷。本发明包括以下步骤：构建附加非摄影测量观测条件约束的无场几何定标模型；附加非摄影测量观测条件约束的无场几何定标求解准备工作；对附加非摄影测量观测条件约束的无场几何定标模型求解。本发明提出一种具有较好操作性的联合非摄影测量观测条件约束的SAR无控几何定标方法及系统，能实现SAR卫星无场化自定标，从而有效保障SAR卫星的几何定位精度。
-
公开(公告)号：CN119399218A
公开(公告)日：2025-02-07
申请号：CN202510016832.0
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06T7/10 , G06T5/80 , G06V10/40 , G06V10/764 , G06V20/10
Abstract: 本发明涉及一种基于风格转换的跨场景高光谱图像分割方法。本发明包括以下步骤；构建跨场景高光谱图像分割数据集；构建多视角信息融合分割网络；构建基于风格转换的跨场景高光谱图像分割网络；训练并测试基于风格转换的跨场景高光谱图像分割网络。与现有技术相比，本发明通过跨场景高光谱图像分割网络，解决了现有高光谱分类任务中，由于不同卫星高光谱图像之间存在风格差异，导致难以将源域训练模型迁移至目标域数据集的问题。此外，本发明采用多视角信息融合分割网络以聚合高光谱图像的空谱信息，从而实现了将源域卫星数据上训练的模型有效迁移至目标域卫星数据的创新方法。
-
公开(公告)号：CN119295952A
公开(公告)日：2025-01-10
申请号：CN202411812834.2
申请日：2024-12-10
Applicant: 安徽大学
Abstract: 本发明涉及一种空间对齐和因果交互的高光谱激光雷达协同分类方法，与现有技术相比，解决了现有的方法在进行高光谱激光雷达协同分类过程中，由于未考虑多模态图像由于拍摄过程、成像机制等引起的空间错位及模态差异，从而导致了分类精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态遥感影像数据集、构建空间对齐和因果交互的高光谱激光雷达协同分类模型、空间对齐和因果交互的高光谱激光雷达协同分类模型训练、图像分类结果获取。本发明通过预测空间偏移量实现多模态图像精确对齐，并且运用因果交互机制区分模态的因果与非因果因素，有效剔除模态特性干扰，确保高光谱激光雷达协同分类结果的精准度与鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.053 seconds)
