-
公开(公告)号：CN119206379A
公开(公告)日：2024-12-27
申请号：CN202411700036.0
申请日：2024-11-26
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V20/10 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了高光谱图像处理领域的一种高光谱图像分类方法，旨在解决高光谱图像中存在复杂的空间关系和纹理信息，常规的分类算法难以充分利用这些信息技术问题。其包括：脉冲神经网络能够自适应地提取更有效的特征，提高对高光谱数据的敏感性，动态阈值调整层避免人工设定固定阈值，更好地适应高光谱数据的复杂性；脉冲神经网络通过模拟生物神经系统的动态处理特性，能有效处理时空数据，特征提取层突出二值化的脉冲信号中的关键特征，从而增强关键特征的分类性能；根据每个像素的具体信息自动二值化编码为脉冲序列，具备更好的信息保真度；进而实现从高光谱图像中充分提取关键特征，实现高光谱图像的分类。
-
公开(公告)号：CN119169399A
公开(公告)日：2024-12-20
申请号：CN202411688591.6
申请日：2024-11-25
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V20/10 , G06V10/40 , G06V10/74 , G06V10/82
Abstract: 本发明公开了高光谱图像处理领域的一种高光谱图像分类方法，旨在解决难以利用高光谱图像中复杂信息导致识别准确性低技术问题。其包括：首先通过初步特征提取处理剔除无用信息；利用KAN卷积运算处理时元素之间相互学习激活的特性捕捉空间和光谱特征，并利用自适应注意力机制放大空间和光谱特征，减少无用信息对计算资源的占用；自适应注意力机制采用基于汉明距离计算查询和键之间的相似性，可以降低无用信息的不良影响；利用重聚焦卷积自适应调整特征图中每个局部区域的响应强度，通过响应强度控制特征表达，实现对图像深度细节信息的挖掘，充分利用高光谱图像中存在复杂的空间关系和纹理信息，提高分类效率和准确性。
-
公开(公告)号：CN118658080B
公开(公告)日：2024-11-22
申请号：CN202411150514.5
申请日：2024-08-21
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V20/10 , G06V10/82 , G06V10/774 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06N5/01
Abstract: 本发明公开了一种基于退火优化LSTM算法反演湖泊叶绿素的方法及系统，属于人工智能中的模式识别技术领域。所述方法包括获取湖泊的高光谱图像，从高光谱图像中提取每个像素点的光谱序列数据；将高光谱图像中每个像素点的光谱序列数据输入到预先训练好的基于退火优化算法优化的MHA‑LSTM模型中，预测每个像素点的叶绿素浓度；根据预测的每个像素点的叶绿素浓度，生成表示叶绿素分布的热力图。所述MHA‑LSTM模型包括依次连接的编码层、多头局部自注意力机制层、LSTM层、注意力门控机制层和输出层。本发明能够显著提高叶绿素浓度预测的准确性，在保证模型预测精度的同时，显著减少了训练时间和计算资源消耗。
-
公开(公告)号：CN118658080A
公开(公告)日：2024-09-17
申请号：CN202411150514.5
申请日：2024-08-21
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V20/10 , G06V10/82 , G06V10/774 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06N5/01
Abstract: 本发明公开了一种基于退火优化LSTM算法反演湖泊叶绿素的方法及系统，属于人工智能中的模式识别技术领域。所述方法包括获取湖泊的高光谱图像，从高光谱图像中提取每个像素点的光谱序列数据；将高光谱图像中每个像素点的光谱序列数据输入到预先训练好的基于退火优化算法优化的MHA‑LSTM模型中，预测每个像素点的叶绿素浓度；根据预测的每个像素点的叶绿素浓度，生成表示叶绿素分布的热力图。所述MHA‑LSTM模型包括依次连接的编码层、多头局部自注意力机制层、LSTM层、注意力门控机制层和输出层。本发明能够显著提高叶绿素浓度预测的准确性，在保证模型预测精度的同时，显著减少了训练时间和计算资源消耗。
-
公开(公告)号：CN118379295B
公开(公告)日：2024-09-10
申请号：CN202410824230.3
申请日：2024-06-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于配准的高光谱异常检测方法，包括：对高光谱图像数据进行数据增强，并提取增强后的高光谱数据的特征矩阵，包括局部源矩阵、全局源矩阵和目标矩阵；将全局源矩阵、局部源矩阵分别与目标矩阵进行一阶空间点云配准操作，分别获取两种高光谱数据像素点度量值，即局部像素点相似度值、全局像素点相似度值；通过得到的局部和全局像素点相似度值对高光谱图像进行异常检测，得到全局检测结果图及局部检测结果图，并将全局与局部检测结果图进行融合，得出最终异常检测结果。本发明通过点云配准操作对高光谱异常检测进行求解，提高了高光谱异常目标检测精度，在同等条件下降低了虚警率。
-
Patent Agency Ranking
公开(公告)号：CN118470545A
公开(公告)日：2024-08-09
申请号：CN202410924484.2
申请日：2024-07-11
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开一种基于图掩码自编码器的遥感图像自监督学习方法，包括使用主成分分析法对遥感图像原始数据进行降维，并基于降维后的遥感图像数据获取遥感图像的节点样本数据；将遥感图像节点样本输入到预训练的图卷积编码器中，进行特征提取编码，获得节点样本的特征向量；将节点样本的特征向量输入到监督学习分类器中，获得遥感图像分类结果，显著提升小样本训练集条件下常用遥感图像分类器的分类性能。
-
公开(公告)号：CN118379295A
公开(公告)日：2024-07-23
申请号：CN202410824230.3
申请日：2024-06-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于配准的高光谱异常检测方法，包括：对高光谱图像数据进行数据增强，并提取增强后的高光谱数据的特征矩阵，包括局部源矩阵、全局源矩阵和目标矩阵；将全局源矩阵、局部源矩阵分别与目标矩阵进行一阶空间点云配准操作，分别获取两种高光谱数据像素点度量值，即局部像素点相似度值、全局像素点相似度值；通过得到的局部和全局像素点相似度值对高光谱图像进行异常检测，得到全局检测结果图及局部检测结果图，并将全局与局部检测结果图进行融合，得出最终异常检测结果。本发明通过点云配准操作对高光谱异常检测进行求解，提高了高光谱异常目标检测精度，在同等条件下降低了虚警率。
-
公开(公告)号：CN118097313B
公开(公告)日：2024-06-25
申请号：CN202410504575.0
申请日：2024-04-25
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06T5/10 , G06V10/74 , G06N20/10 , G06V20/10
Abstract: 本发明公开了一种基于频域主动学习的高光谱图像分类方法，方法为采用主成分分析对高光谱图像数据集进行降维处理获得降维图像，再依次进行傅里叶变换、高通滤波、傅里叶逆变换得到高频部分；将降维图像代入熵率超像素分割得出三个尺度的超像素分割图并分别提取出三个尺度的超像素分割图特征用于制作SVM分类器的训练样本、初步结果，采用随机游走优化初步结果并对比优化后的结果得到不同的像素点集；基于高频部分查找像素点集获得高频部分所关联的像素点并采用信息量排序，获得更新训练样本的若干像素点，从而保持分类器的学习；本发明对频域保持高精度的自主学习状态，避免高光谱图像在获取和传输过程中因数据质量降低导致的图像分类精度低。
-
公开(公告)号：CN118230023A
公开(公告)日：2024-06-21
申请号：CN202410182358.4
申请日：2024-02-19
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09 , G06V10/77
Abstract: 本发明公开了一种基于二次训练的高光谱图像分类方法及系统，涉及高光谱图像分类技术领域，通过Transformer分类模型进行有监督学习得到像素的高阶分类向量，构建与分类模型相同结构的二次训练模型，将像素块中的部分像素与中心像素输入模型，输出得到二次分类向量，根据高阶分类向量与二次分类向量之间差异作为损失，优化二次训练模型的参数，连接高阶分类向量与二次分类向量并输入线性分类模型，得到像素的分类概率。利用少量有标记数据微调线性分类模型，将待分类的像素分别利用训练好的Transformer分类模型、二次训练模型、线性分类模型，得到像素的分类概率，选择最大概率所在类别作为标签，即可实现高光谱图像分类。
-
公开(公告)号：CN118135205A
公开(公告)日：2024-06-04
申请号：CN202410544586.1
申请日：2024-05-06
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种高光谱图像异常检测方法，包括：对待检测的高光谱图像矩阵进行分割，获取固定窗口区域和超像素的区域；将待检测的高光谱图像矩阵转换为全局二维图像矩阵；针对全局二维图像矩阵、固定窗口区域和超像素的区域，分别使用锚点生成模型处理和局部马氏距离模型处理，获得三种异常检测结果；将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果。提升了高光谱图像异常检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.026 seconds)
