-
公开(公告)号：CN112766099A
公开(公告)日：2021-05-07
申请号：CN202110017089.2
申请日：2021-01-07
Applicant: 武汉大学
Abstract: 本发明针对高光谱影像，公开了一种基于局部到全局注意力机制的上下文信息提取的深度学习高光谱分类方法，主要包括：采用编码和解码的全卷积分类框架，可以同时顾及全局空谱信息，实现快速分类；模仿人类视觉感知机理，在网络的编码器模块设计一种局部到全局上下文信息感知的网络架构，实现顾及上下文信息的高级语义特征提取；在网络的解码器模块，设计一种通道注意力的模块，实现局部‑全局信息的自适应融合。本发明能够适用于海量高维非线性数据结构的高光谱影像精细分类，极大改善了高光谱影像分类结果中错分孤立区域现象，是一种快速精确的地物精细分类方法，可满足高光谱影像实时快速精细分类制图的需求。
-
公开(公告)号：CN112598636A
公开(公告)日：2021-04-02
申请号：CN202011508302.1
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明涉及一种基于全卷积自编码器的高光谱影像异常探测方法。本发明结合全卷积自编码器网络，将高光谱遥感影像异常探测问题转换为背景与异常分离问题，网络直接重建背景，异常表现为网络重建误差，从而实现探测。构建残差连接的自适应加权全卷积自编码器，输入均匀噪声拟合原始高光谱影像以重建背景，通过卷积和残差连接保持重建背景空间细节信息，并设计了自适应加权损失函数抑制异常被重建，实现网络重建结果中背景与异常的分离。本发明可以解决高光谱遥感影像深度学习异常探测问题，实现全自动端到端异常探测，无需参数设置，可以获得更佳的异常探测结果。本发明可以有效提升高光谱异常探测的适用性和精度。
-
公开(公告)号：CN112598265A
公开(公告)日：2021-04-02
申请号：CN202011511759.8
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明涉及一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法。本方法通过类别解耦的风险估计，将阈值确定问题转换为风险估计问题，避免阈值调节步骤，同时将全卷积神经网络引入单分类框架中，通过全局空间信息的利用来捕获影像中距离较远的像素间的依赖关系，缓解无人机影像探测结果中常出现的“椒盐噪声”现象，并且与基于影像块的单分类方法相比，本发明所提出的方法具有较快的推理速度。该方法可以用来进行松材线虫病的探测，无需人工干预。
-
公开(公告)号：CN112766099B
公开(公告)日：2022-06-07
申请号：CN202110017089.2
申请日：2021-01-07
Applicant: 武汉大学
IPC: G06V20/13 , G06V20/40 , G06K9/62 , G06V10/764 , G06V10/80
Abstract: 本发明针对高光谱影像，公开了一种基于局部到全局注意力机制的上下文信息提取的深度学习高光谱分类方法，主要包括：采用编码和解码的全卷积分类框架，可以同时顾及全局空谱信息，实现快速分类；模仿人类视觉感知机理，在网络的编码器模块设计一种局部到全局上下文信息感知的网络架构，实现顾及上下文信息的高级语义特征提取；在网络的解码器模块，设计一种通道注意力的模块，实现局部‑全局信息的自适应融合。本发明能够适用于海量高维非线性数据结构的高光谱影像精细分类，极大改善了高光谱影像分类结果中错分孤立区域现象，是一种快速精确的地物精细分类方法，可满足高光谱影像实时快速精细分类制图的需求。
-
公开(公告)号：CN114511473A
公开(公告)日：2022-05-17
申请号：CN202210409199.8
申请日：2022-04-19
Applicant: 武汉大学
IPC: G06T5/00 , G06V20/17 , G06N3/04 , G06K9/62 , G06V10/774
Abstract: 本发明涉及一种基于无监督自适应学习的高光谱遥感影像去噪方法。本发明针对模拟影像和真实影像之间的降质差异降低模型泛化性的问题，提出了无监督自适应学习策略，在高质量地面影像上进行预训练，设计判别器对噪声进行建模，在处理真实影像时由判别器对去噪参数进行微调，提升模型在真实影像上的泛化性。本发明在模型中设计了基于空‑谱残差的深度去噪网络和基于全局信息建模的判别器以充分挖掘高光谱深度先验。本发明可以解决高光谱遥感影像深度学习去噪中模拟训练数据的问题，降低深度学习模型对模拟训练数据的依赖性，有效提升高光谱去噪的适用性和精度。
-
Patent Agency Ranking
公开(公告)号：CN112700437B
公开(公告)日：2022-04-29
申请号：CN202110046688.7
申请日：2021-01-14
Applicant: 武汉大学
Abstract: 本发明涉及一种基于分块和低秩先验的发射率域热红外高光谱异常探测方法。首先对原始影像进行温度和发射率反演获取影像的发射率图和温度图，然后使用温度图和辐亮度图结合基于Potts的图像分割算法将发射率图分割成多个同质区域。据观察，在局部均匀区域，背景信号具有增强的低秩性，而异常表现为空间稀疏性。基于此观测，背景像素可以由一组基本背景信号进行低秩重构，而异常可以用稀疏残差表示。然后利用提取的背景端元对原始高光谱数据矩阵进行低秩稀疏矩阵分解，去除部分噪声，获取相比于原始影像更纯粹的背景信息。然后利用马氏距离结合原始发射率影像和背景信息计算异常和背景之间的光谱差异，实现异常和背景分离。
-
公开(公告)号：CN112766102A
公开(公告)日：2021-05-07
申请号：CN202110018918.9
申请日：2021-01-07
Applicant: 武汉大学
Abstract: 本发明涉及一种基于空谱特征融合的无监督高光谱视频目标跟踪方法。本发明结合循环一致性理论方法，设计了基于深度学习的高光谱目标跟踪方法，可无监督的训练高光谱目标跟踪深度学习模型，节约了人工标注的成本。在Siamese跟踪框架的基础上了，设计了RGB分支(空间分支)与高光谱分支；使用RGB视频数据训练空间分支以及将训练好的RGB模型载入网络固定参数同时训练高光谱分支，获得融合后的更具鲁棒性及判别力的特征。最终使用将融合的特征输入到相关滤波器中(DCF)，获得跟踪结果。本发明可以解决高光谱视频数据人工标注的问题以及用于深度学习模型训练的高光谱训练样本少的问题，可以有效提升高光谱视频跟踪模型的精度和速度。
-
公开(公告)号：CN112700437A
公开(公告)日：2021-04-23
申请号：CN202110046688.7
申请日：2021-01-14
Applicant: 武汉大学
Abstract: 本发明涉及一种基于分块和低秩先验的发射率域热红外高光谱异常探测方法。首先对原始影像进行温度和发射率反演获取影像的发射率图和温度图，然后使用温度图和辐亮度图结合基于Potts的图像分割算法将发射率图分割成多个同质区域。据观察，在局部均匀区域，背景信号具有增强的低秩性，而异常表现为空间稀疏性。基于此观测，背景像素可以由一组基本背景信号进行低秩重构，而异常可以用稀疏残差表示。然后利用提取的背景端元对原始高光谱数据矩阵进行低秩稀疏矩阵分解，去除部分噪声，获取相比于原始影像更纯粹的背景信息。然后利用马氏距离结合原始发射率影像和背景信息计算异常和背景之间的光谱差异，实现异常和背景分离。
-
公开(公告)号：CN112699838A
公开(公告)日：2021-04-23
申请号：CN202110041216.2
申请日：2021-01-13
Applicant: 武汉大学
Abstract: 本发明涉及一种基于光谱诊断特征加权自编码网络的高光谱混合像元非线性盲分解方法。本发明基于自编码的基本框架，将混合像元的分解过程和自编码结构的编码层进行对应，将混合像元的生成过程与自编码结构的解码层进行对应，利用卷积层进行高光谱图像空间信息的提取，充分考虑高光谱影像的空间信息。同时加入非线性变化模块，考虑真实场景中存的非线性混合，在进行损失函数计算时，因不同地物在不同波段具有不同光谱特征，所以对不同的波段赋予不同的权重进行损失计算。本发明可以解决高光谱遥感影像深度学习混合像元分解问题，实现全自动端到端混合像元分解，可以同时获得端元光谱和丰度分解结果。
-
公开(公告)号：CN112668420A
公开(公告)日：2021-04-16
申请号：CN202011507877.1
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明涉及一种基于非负风险估计的高光谱和LiDAR融合入侵树种探测方法。本方法通过非负风险估计，将遥感影像弱监督单类网络优化问题转化为经验风险最小化问题，同时综合使用了高光谱影像提供的空‑谱融合特征以及LiDAR数据提供的几何特征，通过卷积神经网络以数据驱动的方式自动提取影像的深度空‑谱融合特征，通过非负风险估计端到端的优化卷积神经网络的参数，避免后期阈值调节。本发明可以用来进行入侵树种的分布探测，在物种多样性较高的热带区域仍可以获得可靠的探测结果。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.02 seconds)
