-
公开(公告)号：CN112949407B
公开(公告)日：2022-06-14
申请号：CN202110143657.3
申请日：2021-02-02
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于深度学习和点集优化的遥感影像建筑物矢量化方法，用于遥感影像建筑物矢量化。本发明提出了一种新颖的建筑物矢量化提取框架，该框架包括：(1)语义分割网络，(2)矢量点集预处理模块以及(3)矢量点集优化模块。首先，将影像输入语义分割网络中获取建筑物掩膜，基于此得到的建筑物掩膜边缘是不规则的，通常存在许多冗余的矢量点；其次，基于边缘跟踪算法和等间距点采样算法将建筑物掩膜转换成矢量点集。第三，在得到预测的矢量点集后，将预测值输入矢量点集优化模块，同时进行点分类和点坐标回归，并对两个分支进行联合优化。最后，输出高精度的建筑物矢量化结果，对遥感影像建筑物进行矢量化解译。
-
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：CN111126287B
公开(公告)日：2022-06-03
申请号：CN201911354909.6
申请日：2019-12-25
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/25 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种遥感影像密集目标深度学习检测方法，用于遥感影像密集目标提取。首先，将图像输入到深层的CNN基础网络中以获取特征图；其次，将深度卷积特征输入到密集目标提取框架中，以进行感兴趣区域提取(RPN分支)，对象分类和矩形框框回归。对于RPN分支，提出了高密度偏置采样器来挖掘更多具有高密度的样本(难样本)以提高检测性能。在密集目标提取框架之后采用Soft‑NMS来保留更多积极对象。最后，输出精炼的矩形框，以实现对密集物体的数量统计。
-
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。
-
公开(公告)号：CN112858178B
公开(公告)日：2022-05-13
申请号：CN202110029742.7
申请日：2021-01-11
Applicant: 武汉大学
IPC: G01N21/17 , G01N21/35 , G01N21/3504 , G01J5/00 , G06F30/20
Abstract: 本发明公开了一种航空热红外高光谱影像温度/发射率反演方法，包括：使用数据定量分析进行了数据优化处理，通过对数据各波段的辐射定标精度、NESR噪声大小和大气强吸收线的计算和分析，从而选择出最优波段数据，排除了存在问题的波段对反演过程的影响；为克服航空热红外高光谱数据大气校正对同步大气探空廓线的依赖，通过对全球大气格网数据进行时空分析融合，获得了更好表征数据采集时大气状况的廓线信息；引入了经验约束模型，克服了常用的平滑度物理约束对噪音敏感的问题，能够在数据噪声较高的航空数据上获得较为理想的结果。本发明以Hyper‑Cam航空数据为实验对象，并获得了良好的反演结果，为航空热红外高光谱影像的发射率和温度反演提供了参考。
-
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：CN112949407A
公开(公告)日：2021-06-11
申请号：CN202110143657.3
申请日：2021-02-02
Applicant: 武汉大学
Abstract: 本发明一种基于深度学习和点集优化的遥感影像建筑物矢量化方法，用于遥感影像建筑物矢量化。本发明提出了一种新颖的建筑物矢量化提取框架，该框架包括：(1)语义分割网络，(2)矢量点集预处理模块以及(3)矢量点集优化模块。首先，将影像输入语义分割网络中获取建筑物掩膜，基于此得到的建筑物掩膜边缘是不规则的，通常存在许多冗余的矢量点；其次，基于边缘跟踪算法和等间距点采样算法将建筑物掩膜转换成矢量点集。第三，在得到预测的矢量点集后，将预测值输入矢量点集优化模块，同时进行点分类和点坐标回归，并对两个分支进行联合优化。最后，输出高精度的建筑物矢量化结果，对遥感影像建筑物进行矢量化解译。
-
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：CN112766089A
公开(公告)日：2021-05-07
申请号：CN202110004130.2
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明公开了一种基于全局‑局部对抗学习框架的跨域道路提取方法，该方法具有以下两个显著特点：一是利用一个全局‑局部对抗学习框架用于高分辨率遥感影像跨域道路提取，该框架首先利用生成器生成特征，来混淆判别器，生成器后面紧接着两个分支，一个分支进行道路分割，另一个分支通过全局‑局部对抗学习引导生成器生成域不变特征。第二，全局‑局部对抗学习过程中，使用两个互斥分类器对道路进行识别，两个分类器识别的差异可以反映每一个像素的识别难易程度，从而自适应地对对抗损失进行加权，自动减慢或加速对抗学习的过程。本方法可以明显改善道路缺失现象，对于一些困难的样本也能较好的识别，显著提升道路识别精度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.022 seconds)
