-
公开(公告)号：CN119007024B
公开(公告)日：2025-01-24
申请号：CN202411495255.X
申请日：2024-10-24
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/58 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种多模自监督混合曼巴的高光谱影像分类方法，所述方法包括以下步骤：多模自监督混合曼巴的高光谱影像分类数据集处理、构建结合CNN和Mamba的高光谱影像分类网络、基于自监督的高光谱影像分类网络的无标签预训练、基于CLIP的多模态高光谱影像分类模型的训练、对多模态高光谱影像分类模型进行测试。与现有技术相比，结合CNN和Mamba提取空谱特征，有利于实现精准的高光谱图像分类，并通过自监督学习方法对模型进行预训练，无需标注的数据，让模型能够自行识别不同场景下的高光谱图像，提高了模型的泛化能力，同时，基于CLIP模型能够实现多模态的高光谱图像分类。
-
公开(公告)号：CN119206238A
公开(公告)日：2024-12-27
申请号：CN202411699456.1
申请日：2024-11-26
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/09 , G06N3/0895
Abstract: 本发明涉及一种基于循环双任务互惠学习的遥感多模态影像分割方法。本发明包括以下步骤：构建多模态遥感影像分割任务数据集和合成任务数据集；构建基于高光谱和激光雷达数据融合的分割网络；构建基于地物分类图和多光谱影像的高光谱合成网络；构建包括分割与合成的循环双任务互惠学习框架；训练基于循环双任务互惠学习的多模态影像分割网络及结果获取。与现有技术相比，本发明通过循环双任务互惠学习框架，使得分割网络与合成网络相互促进，有效提升了分割结果的细节保留及跨模态特征的一致性，并且增强了网络在模态缺失情况下的适应性，能够在信息不全和模态不对齐的情况下提供稳定的分割效果，适用于多源遥感数据融合处理及影像分割任务。
-
公开(公告)号：CN119007024A
公开(公告)日：2024-11-22
申请号：CN202411495255.X
申请日：2024-10-24
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/58 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种多模自监督混合曼巴的高光谱影像分类方法，所述方法包括以下步骤：多模自监督混合曼巴的高光谱影像分类数据集处理、构建结合CNN和Mamba的高光谱影像分类网络、基于自监督的高光谱影像分类网络的无标签预训练、基于CLIP的多模态高光谱影像分类模型的训练、对多模态高光谱影像分类模型进行测试。与现有技术相比，结合CNN和Mamba提取空谱特征，有利于实现精准的高光谱图像分类，并通过自监督学习方法对模型进行预训练，无需标注的数据，让模型能够自行识别不同场景下的高光谱图像，提高了模型的泛化能力，同时，基于CLIP模型能够实现多模态的高光谱图像分类。
-
公开(公告)号：CN118967527A
公开(公告)日：2024-11-15
申请号：CN202411443444.2
申请日：2024-10-16
Applicant: 安徽大学
IPC: G06T5/77 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种物理模型引导和曼巴结合的云去除方法，所述方法包括以下步骤：构建光学遥感云去除数据集；基于物理模型引导的云分布显著图区域划分；基于曼巴的云去除模型构建与模型参数训练；获取待处理有云光学遥感影像数据；云去除性能验证。与现有技术相比，利用显著图计算辅助分析云覆盖遥感影像受云雾干扰的程度，引导云去除模型进行针对性的参数调整，以增强模型在特定区域对信息恢复的敏感性。同时基于具有高效全局特征提取能力的曼巴状态空间模型构建云去除模型，实现薄云和厚云区域缺失信息的恢复。在薄云和厚云共存情况下，保证云去除结果在薄云区域不过度校正，厚云区域得到充分填充与优化。
-
公开(公告)号：CN117522824B
公开(公告)日：2024-05-14
申请号：CN202311531117.8
申请日：2023-11-16
Applicant: 安徽大学
IPC: G06T7/00 , G06T7/11 , G06T7/90 , G06V10/764 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于域知识库的多源域泛化的云和云阴影检测方法，所述方法包括以下步骤：基于域知识库的多源域泛化的云和云阴影检测准备工作、构建与训练基于域知识库的多源域泛化的云和云阴影检测模型、对基于域知识库的多源域泛化的云和云阴影检测模型测试和求解。与现有技术相比，通过基于域知识库的多源域泛化的云和云阴影检测网络，本发明解决了现有云和云阴影检测任务中由于数据量局限以及域差异导致的难以将源训练模型推广至目标数据集的问题，实现了一个可以适应到其他卫星域的较好泛化能力的模型。
-
Patent Agency Ranking
公开(公告)号：CN116740584A
公开(公告)日：2023-09-12
申请号：CN202310764234.2
申请日：2023-06-25
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种结合CNN和Transformer的渐进式学习梯度的弱监督云检测方法，所述方法包括以下步骤：结合CNN和Transformer的渐进式学习梯度的弱监督云检测准备工作、构建与训练结合CNN和Transformer的渐进式学习梯度的弱监督云检测模型、对结合CNN和Transformer的渐进式学习梯度的弱监督云检测模型测试和求解。与现有技术相比，通过构建结合CNN和Transformer的渐进式学习梯度的两阶段云检测网络，通过显式地引入梯度信息，使云检测网络学习到云和类云地物在梯度上的差别，从而解决云和类云地物的错分和误判问题。同时，通过构建具有主动学习策略的弱监督结构，使用最小化的具有代表性的数据标签实现准确的云检测。
-
公开(公告)号：CN115830471B
公开(公告)日：2023-06-13
申请号：CN202310007711.0
申请日：2023-01-04
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种多尺度特征融合和对齐的域自适应云检测方法，所述方法包括以下步骤：多尺度特征融合和对齐的域自适应云检测准备工作、构建与训练多尺度特征融合和对齐的域自适应云检测模型、对多尺度特征融合和对齐的域自适应云检测模型测试和求解。与现有技术相比，通过构建多尺度特征融合和对齐的域自适应网络，及提出的多尺度特征融合模块和特征对齐模块。与现有云检测技术相比，本发明解决了现有云检测技术对于碎云及边界检测困难，并且使云检测网络生成源和目标域数据集的域不变特征，从而解决由于域差异导致的难以将源训练模型推广至目标数据集的问题。
-
公开(公告)号：CN115015931B
公开(公告)日：2023-04-14
申请号：CN202210626755.7
申请日：2022-06-05
Applicant: 安徽大学
Abstract: 本发明设计一种无需外部误差校正的实时差分立体SAR几何定位方法及系统，与现有技术相比解决了常规立体SAR几何定位对精密定轨数据的要来，以及需要对观测值进行大气误差改正等缺陷。本发明包括以下步骤：差分立体观测数据准备；差分观测值的获取；差分立体方程构建；差分立体方程求解。本发明无需高精度精密定轨数据和外部大气校正情况下，仅在一个参考坐标点的基础上，实现高精度立体SAR几何定位精度，满足对实时性较高的高精度几何定位应用需求。
-
公开(公告)号：CN114839632A
公开(公告)日：2022-08-02
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：CN114048806A
公开(公告)日：2022-02-15
申请号：CN202111317191.0
申请日：2021-11-09
Applicant: 安徽大学
IPC: G06K9/62 , G16H50/20 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明涉及一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比解决了难以针对脑部PET影像细粒度分类的缺陷。本发明包括以下步骤：脑部PET影像的获取和预处理；细粒度深度学习阿尔兹海默症辅助诊断模型的建立；细粒度深度学习阿尔兹海默症辅助诊断模型的训练；待诊断脑部PET影像的获取；阿尔兹海默症辅助诊断结果的获得。可有效解决脑部PET影像细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症辅助诊断更具有普适性。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.033 seconds)
