-
公开(公告)号：CN112733693B
公开(公告)日：2022-08-05
申请号：CN202110003409.9
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法，所提出的全局感知高分辨率遥感影像多尺度残差学习道路提取方法从两个方面来增大模型捕捉长距离依赖关系的能力，一方面在残差模块之间，我们采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系；另一方面在残差模块内，我们使用多尺度残差卷积学习，提取多尺度特征的同时增大网络感受野，为紧接着的全局感知操作提供更丰富的信息；本发明能够一定程度上解决现有深度学习模型感受野有限与道路长跨度连接属性不匹配，导致道路识别零散的问题，可以显著提升道路识别精度。
-
公开(公告)号：CN114842047A
公开(公告)日：2022-08-02
申请号：CN202210318973.4
申请日：2022-03-29
Applicant: 武汉大学
Abstract: 本发明涉及一种基于运动先验的孪生网络卫星视频目标跟踪方法。本发明结合卫星视频目标运动特点的运动掩膜，并将其与光流引导的注意力机制结合，通过将目标深浅层特征融合，得到同时兼顾准确性和实时性的遥感目标跟踪器。本发明结合卫星视频目标在短时间内呈现直线匀速运动的特点，提出一种运动掩膜取代常用的汉宁窗，对目标的位置估计提供方向约束和速度约束。同时，为了进一步挖掘目标运动的时序信息，本发明将帧与帧之间的光流变化作为注意力加入网络，增加目标和背景的可分性，提升网络对运动目标的捕捉能力。此外，考虑卫星视频中目标尺寸特点，本发明采用深浅层特征融合的方式，一定程度上可以解决遥感目标尺寸较小的不足。
-
公开(公告)号：CN114511473B
公开(公告)日：2022-07-05
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：CN112287978B
公开(公告)日：2022-04-15
申请号：CN202011067782.2
申请日：2020-10-07
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/772 , G06V10/80 , G06V10/82 , G06V20/10 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于自注意力上下文网络的高光谱遥感图像分类方法。该方法通过自注意力学习和上下文编码，构建高光谱遥感图像中像素间的空间依赖关系，提取全局上下文特征。在受到对抗攻击污染的高光谱遥感数据上，该方法依然能保持优越的地物识别精度，从而更好的满足高光谱遥感图像分类任务对安全性和可靠性的需求。
-
公开(公告)号：CN111027509B
公开(公告)日：2022-02-11
申请号：CN201911336879.6
申请日：2019-12-23
Applicant: 武汉大学
IPC: G06V20/10 , G06V20/17 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种基于双流卷积神经网络的高光谱图像目标检测方法，包括训练阶段和探测阶段。训练阶段包括典型背景样本的选取、目标样本的生成、构建网络训练样本和网络参数训练。通过联合稀疏表示和分类的像元选择策略选取典型背景样本，通过在目标先验中植入一定比例背景成分生成目标样本，将目标先验分别与目标样本和背景样本构建为网络的正训练样本和负训练样本，并使用设计好的双流卷积神经网络进行训练。在探测阶段，影像上的待探测像元分别与目标先验构建为双流网络的输入，经过训练好的网络后得到预测值，并将预测值作为该探测像元的输出值，从而获得高光谱图像目标探测的结果。
-
Patent Agency Ranking
公开(公告)号：CN112733693A
公开(公告)日：2021-04-30
申请号：CN202110003409.9
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法，所提出的全局感知高分辨率遥感影像多尺度残差学习道路提取方法从两个方面来增大模型捕捉长距离依赖关系的能力，一方面在残差模块之间，我们采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系；另一方面在残差模块内，我们使用多尺度残差卷积学习，提取多尺度特征的同时增大网络感受野，为紧接着的全局感知操作提供更丰富的信息；本发明能够一定程度上解决现有深度学习模型感受野有限与道路长跨度连接属性不匹配，导致道路识别零散的问题，可以显著提升道路识别精度。
-
公开(公告)号：CN112287978A
公开(公告)日：2021-01-29
申请号：CN202011067782.2
申请日：2020-10-07
Applicant: 武汉大学
Abstract: 本发明公开了一种基于自注意力上下文网络的高光谱遥感图像分类方法。该方法通过自注意力学习和上下文编码，构建高光谱遥感图像中像素间的空间依赖关系，提取全局上下文特征。在受到对抗攻击污染的高光谱遥感数据上，该方法依然能保持优越的地物识别精度，从而更好的满足高光谱遥感图像分类任务对安全性和可靠性的需求。
-
公开(公告)号：CN111797988A
公开(公告)日：2020-10-20
申请号：CN202010609532.0
申请日：2020-06-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置，其中的方法将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，具体包括：通过整数编码来随机初始化种群，然后采用多变异策略操作通过缩放因子参数池来产生变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，通过结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果，可以改善高光谱端元的提取效果。
-
公开(公告)号：CN111292266A
公开(公告)日：2020-06-16
申请号：CN202010075853.7
申请日：2020-01-22
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明提供一种基于双低秩矩阵分解的GF-5遥感影像混合噪声去除方法，通过利用无噪GF-5遥感影像的低秩性质、GF-5遥感影像每个波段上条带噪声的低秩结构和稀疏噪声的稀疏特性，建立基于双低秩矩阵分解的GF-5遥感影像混合噪声去除模型，采用增广拉格朗日乘子法进行求解得到无噪GF-5遥感影像。本发明将双低秩矩阵分解模型应用于GF-5遥感影像混合噪声去除，较于目前的高光谱遥感影像混合噪声去除方法，本发明可以更有效的去除GF-5遥感影像中的混合噪声，大幅提高GF-5遥感影像的应用潜力。
-
公开(公告)号：CN105760857B
公开(公告)日：2019-04-26
申请号：CN201610156117.8
申请日：2016-03-18
Applicant: 武汉大学
Abstract: 本发明公开了一种高光谱遥感影像目标探测方法，将多任务学习方法引入高光谱遥感影像目标探测中，多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性，提出联合稀疏表达和多任务学习的目标探测算法。多任务学习方法能够利用高光谱遥感影像波段间的冗余性提取多个子数据集，构建多探测任务，利用不同任务的数据相关性对基于稀疏表达模型的像素光谱进行更好的学习，从而提高探测效果。同时，多任务学习方法在保留足够多的判别信息的同时能够减弱冗余干扰效应。
-
-
-
-
-
-
-
-
-
Search Results
141
records
(took 0.02 seconds)
