-
公开(公告)号:CN118628357A
公开(公告)日:2024-09-10
申请号:CN202410803466.9
申请日:2024-06-20
Applicant: 北京卫星信息工程研究所
IPC: G06T3/4076 , G06V10/58 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06V10/82 , G06V10/80
Abstract: 本发明涉及一种基于transformer的跨模态融合高光谱图像超分重建方法,包括:基于场景匹配的RGB图像和高光谱图像,获得融合token序列;采用随机掩膜机制对视觉transformer的编码器和解码器进行联合训练,完成特征重构;步骤S3、构建基于解码器重构的图像与真值图像的相似度的损失函数,对视觉transformer的编码器和解码器进行优化;利用图像重建模块对优化后的视觉transformer的编码器提取的特征进行超分重建。本发明,降低了高光谱图像超分重建的对于数据强配准的要求,扩展了该技术的应用场景,同时空间分辨率提升后的高光谱数据有利于优化下游任务算法的性能,从增强数据的角度降低模型的设计难度,使高光谱数据能够适配于更多的遥感领域任务。
-
公开(公告)号:CN116486265B
公开(公告)日:2023-12-19
申请号:CN202310468626.4
申请日:2023-04-26
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/766 , G06V10/422 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明涉及一种基于目标分割与图分类的飞机细粒度识别方法,包括:构建并训练基于Mask R‑CNN的目标定位与分割模型,对遥感图像中的飞机目标进行检测与分割;对分割出的飞机目标掩膜通过轮廓提取和多边形拟合提取轮廓多边形,将轮廓多边形的线段作为节点,将线段的几何特征和线段对应部件的卷积特征作为节点属性,并根据线段间的空间关系构建图结构数据;构建融合几何特征和卷积特征的图卷积神经网络模型;利用所述图结构数据训练所述图卷积神经网络模型,对描述飞机形状特征和部件特征的图结构进行整图分类,实现飞机目标的细粒度识别。通过实施本发明的上述方案,通过综合利(56)对比文件US 2020285944 A1,2020.09.10US 2022343537 A1,2022.10.27瑚敏君 等.基于实例分割模型的建筑物自动提取《.测绘通报》.2020,(第4期),第16-20页.
-
公开(公告)号:CN116416531B
公开(公告)日:2023-12-19
申请号:CN202310409310.8
申请日:2023-04-17
Applicant: 北京卫星信息工程研究所
IPC: G06V20/13 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明涉及一种基于动态重参数化的遥感图像目标检测方法、设备及存储介质,基于动态重参数化的遥感图像目标检测方法包括:步骤S1、获取遥感图像及对应的真值标签;步骤S2、基于深度学习网络构建目标检测模型,并完成模型训练;步骤S3、利用步骤S2中的目标检测模型进行动态重参数化拓展,并对拓展后的目标检测模型进行在线训练;步骤S4、重复执行步骤S3,得到优化后的目标检测模型;步骤S5、对优化后的目标检测模型进行微调,利用重参数化方法吸收拓展的增强卷积,得到压缩的目标检测模型;步骤S6、利用压缩后的目标检测模型对遥感图像进行检测。本发明,解决了遥感图像目标检测任务中主干特征提取网络因结构参数设计不当而导致性能不足的问题。
-
公开(公告)号:CN116403007B
公开(公告)日:2023-12-19
申请号:CN202310390010.X
申请日:2023-04-12
Applicant: 北京卫星信息工程研究所
IPC: G06V10/74 , G06V10/62 , G06V10/82 , G06V20/10 , G06V10/766 , G06V10/764 , G06V10/80
Abstract: 本发明涉及一种基于目标向量的遥感影像变化检测方法,包括:使用向量对遥感序列影像进行样本标注;构建目标向量检测模型,将已标注的遥感序列影像输入所述目标向量检测模型进行训练;利用所述目标向量检测模型对同一区域不同时间的遥感影像中的所有目标进行检测,得到不同集合的目标向量;利用变化相似度算法计算不同集合中目标向量的相似度距离,获得目标的变化情况。通过实施本发明的上述方案,可以实现遥感影像中目标变化前后的高精度匹配和精细化的变化检测。
-
公开(公告)号:CN116385881B
公开(公告)日:2023-11-14
申请号:CN202310378004.2
申请日:2023-04-10
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明涉及遥感图像地物变化检测方法及装置,包括获取同一区域不同时相的两幅图像;利用两个共享权重的U‑Net作为主干网络,对输入的两个时相的遥感图像,经过主干网络的两个分支进行特征提取;对两个分支提取的特征进行局部交换;通过多头自注意力机制,对交换后得到的特征进行全尺度的特征提取;再对两个分支的遥感图像恢复空间尺度,然后对特征进行融合,得到新的融合分支;利用U‑Net网络的两个分支和融合分支进行地物变化检测,得到遥感图像地物变化检测结果。本发明能够有效提高遥感图像地物变化的检测精度。
-
公开(公告)号:CN116524368A
公开(公告)日:2023-08-01
申请号:CN202310403716.5
申请日:2023-04-14
Applicant: 北京卫星信息工程研究所
Abstract: 本发明涉及遥感图像目标检测方法,包括获取至少一幅包含待测目标的卫星遥感图像,利用卷积神经网络提取卫星遥感图像的多尺度特征,根据嵌入掩膜引导特征金字塔网络学习前景目标区域的特征,并生成用于提取原始图像中疑似目标区域的旋转候选框,利用旋转RoIAlign对齐操作对疑似目标区域进行特征提取,将提取到的特征送入由Smooth‑L1回归损失和角边距分类损失组成的有向检测头进行分类识别与回归定位。本发明提升了目标检测方法对港口等复杂背景的抗干扰能力,减少了云雾、形似干扰物造成的虚警,提高了目标检测的识别精度,可应用于高分辨率遥感图像中的船只、飞机等目标识别。
-
公开(公告)号:CN116416531A
公开(公告)日:2023-07-11
申请号:CN202310409310.8
申请日:2023-04-17
Applicant: 北京卫星信息工程研究所
IPC: G06V20/13 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明涉及一种基于动态重参数化的遥感图像目标检测方法、设备及存储介质,基于动态重参数化的遥感图像目标检测方法包括:步骤S1、获取遥感图像及对应的真值标签;步骤S2、基于深度学习网络构建目标检测模型,并完成模型训练;步骤S3、利用步骤S2中的目标检测模型进行动态重参数化拓展,并对拓展后的目标检测模型进行在线训练;步骤S4、重复执行步骤S3,得到优化后的目标检测模型;步骤S5、对优化后的目标检测模型进行微调,利用重参数化方法吸收拓展的增强卷积,得到压缩的目标检测模型;步骤S6、利用压缩后的目标检测模型对遥感图像进行检测。本发明,解决了遥感图像目标检测任务中主干特征提取网络因结构参数设计不当而导致性能不足的问题。
-
公开(公告)号:CN119251680A
公开(公告)日:2025-01-03
申请号:CN202411380023.X
申请日:2024-09-30
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/08 , G06N3/045 , G06N3/048
Abstract: 本发明涉及一种基于提示学习的遥感图像分类方法,包括:获取遥感图像样本及其真实类别标签,并进行预处理,形成遥感图像数据集;根据遥感图像数据集,通过图像编码器和文本编码器,获得遥感图像样本的图像特征向量和文本特征向量;计算遥感图像样本的图像特征向量和文本特征向量之间的相似性,得到遥感图像样本的预测类别标签;计算分类损失和对比损失,重复执行上述步骤,训练并输出分类模型;利用分类模型进行遥感图像分类。本发明,通过上述方法缓解了遥感图像分类方法中语义信息不足的问题,提高了遥感图像分类准确性。
-
公开(公告)号:CN119251679A
公开(公告)日:2025-01-03
申请号:CN202411380020.6
申请日:2024-09-30
Applicant: 北京卫星信息工程研究所
IPC: G06V20/10 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/766
Abstract: 本发明的基于双曲空间映射的遥感图像目标检测方法,包括S1、提取遥感图像的特征,得到层级特征图;S2、通过特征融合网络,融合相同类型的层级特征图,获得第一多层级特征图;S3、利用双曲空间映射网络将第一多层级特征图的通道信息投影到双曲空间,得到第二多层级特征图;S4、拼接第一多层级特征图和第二多层级特征图,获得融合特征图;S5、构建特征检测头,检测融合特征图,计算分类损失和位置预测损失;S6、重复S1至S5,训练遥感图像目标检测模型;S7、利用S6得到的遥感图像目标检测模型检测遥感图像。本发明通过增强预测特征图的信息维度,帮助模型理解数据分布,学习更抽象的特征表示,从而提高对目标检测任务的泛化能力。
-
公开(公告)号:CN116563680B
公开(公告)日:2024-02-06
申请号:CN202310493846.2
申请日:2023-05-05
Applicant: 北京卫星信息工程研究所
IPC: G06V10/80 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
Abstract: 本发明涉及一种基于高斯混合模型的遥感图像特征融合方法、电子设备,通过特征提取主干网络提取输入遥感图像特征,得到不同层级位置的特征图;构建特征融合网络并对不同层级位置的特征图进行融合,获得遥感图像目标的多特征图;构建多个高斯混合模型拟合多特征图,获得高斯混合模型的参数;对多个高斯混合模型进行加权平均融合,利用融合后的高斯混合模型生成数据并与原始特征图拼接;利用融合特征图输入检测模型的检测头,进行遥感图像检测,计算分类、位置预测损失;重复执行上述步骤,训练检测模型;利用检测模型进行检测。本发明,提升了模型分类和定位出遥感图像中的感兴趣目标的能力,提高遥感图像目标定位准确性,提高模型检测能力。
-
-
-
-
-
-
-
-
-