一种基于风格转换的跨场景高光谱图像分割方法

    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

    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。

    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

    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。

    一种抗非对齐的SAR-光学影像耦合对比融合建筑物分割方法

    公开(公告)号:CN119295756A

    公开(公告)日:2025-01-10

    申请号:CN202411812830.4

    申请日:2024-12-10

    Applicant: 安徽大学

    Abstract: 本发明涉及一种抗非对齐的SAR‑光学影像耦合对比融合建筑物分割方法。本发明包括以下步骤:构建建筑物遥感影像分割多模态数据集;构建抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型;训练抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型;抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型结果获取。与现有技术相比,解决了现有方法在处理多模态图像对弱对齐问题时,注重严格的模态对齐从而忽略了模态间的差距。本发明通过偏移引导自适应特征对齐模块捕获最佳的对齐位置,从而实现模态间的自适应对齐。进一步通过多模态图像融合的耦合对比学习框架提取模态间的互补特征,从而减少融合结果的冗余信息,保证分割结果的精度和鲁棒性。

    基于改进YOLOv5的小样本野生动物检测方法

    公开(公告)号:CN115393618A

    公开(公告)日:2022-11-25

    申请号:CN202211018085.7

    申请日:2022-08-24

    Applicant: 安徽大学

    Abstract: 本发明涉及一种基于改进YOLOv5的小样本野生动物检测方法,包括:根据所采集的待检测片区真实野生动物数据集对AwA2动物数据集进行筛选,筛选出的图像作为实验数据集;对所采集的待检测片区真实野生动物数据集进行筛选,得到小样本实验数据集;对实验数据集和小样本实验数据集进行标注;在YOLOv5网络模型中加入坐标注意力模块CA,得到YOLOv5‑CA网络模型;采用两阶段训练方法得到YOLOv5‑CA‑TL网络模型,检测待检测片区真实野生动物并进行可行性验证。本发明通过以所采集的待检测片区真实野生动物数据集作为研究对象,使用坐标注意力模块CA有效解决了其他一些算法检测精度低的问题,相对于传统方法,大大降低了人工成本。

    小麦赤霉病病害等级分级方法及装置

    公开(公告)号:CN109544538B

    公开(公告)日:2021-09-24

    申请号:CN201811422679.8

    申请日:2018-11-27

    Applicant: 安徽大学

    Abstract: 本发明特别涉及一种小麦赤霉病病害等级分级方法,包括以下步骤:(A)采集得到原始图像;(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像;(C)将原始图像和二值化图像进行结合;(D)转换到Lab颜色空间,利用IABC‑K‑PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图;(E)计算单穗面积S1和病斑面积S2,然后计算两者比值R;(F)根据国家标准、比值R将对该单穗的病害进行分级并将病害等级输出;还公开了一种分级装置。本发明提出的病害等级分级方法经大量样本测试,在小麦赤霉病田间调查时不破坏性采样,具有分级精度可靠、推广价值高等优势。

    小麦赤霉病检测专属病情指数构建方法及其应用

    公开(公告)号:CN110132862A

    公开(公告)日:2019-08-16

    申请号:CN201910461294.0

    申请日:2019-05-30

    Applicant: 安徽大学

    Abstract: 本发明涉及病虫害检测技术领域,特别涉及一种小麦赤霉病检测专属病情指数构建方法,包括如下步骤:(A)采集不同染病程度的多个小麦麦穗作为样本;(B)利用高光谱相机拍摄样本中每个小麦麦穗的高光谱图像;(C)对高光谱图像进行处理,得到每个小麦麦穗的光谱曲线;(D)利用随机森林算法对光谱波段特征进行度量,筛选出对赤霉病敏感的两个特征波段;(E)根据特征波段的光谱反射率值计算小麦赤霉病检测专属病情指数FDI;还公开了基于该病情指数的小麦赤霉病病害等级检测方法。该方法能够快速、准确地确定出高光谱图像中最能够体现病害情况的特征波段,检测时,采用波段少、计算方便、速度快,具有非常好的应用推广价值。

    一种结合CNN曼巴的对比预训练云检测方法

    公开(公告)号:CN119418176B

    公开(公告)日:2025-04-08

    申请号:CN202510014546.0

    申请日:2025-01-06

    Applicant: 安徽大学

    Abstract: 本发明涉及一种结合CNN曼巴的对比预训练云检测方法,所述方法包括以下步骤:构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比,CNN方法能提取图像的局部特征,曼巴方法能提取图像的全局特征,结合CNN和曼巴方法既可以留意图像中云的边缘细节,又能从整幅图像上看到云的区域,提高云检测的精度。同时利用云雪数据对网络进行预训练,让网络区分云和雪之间的差异,在后续微调阶段不会把雪错分成云,实现更精准的云检测任务。

    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

    公开(公告)号:CN119295952B

    公开(公告)日:2025-04-08

    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。

Patent Agency Ranking