-
公开(公告)号：CN111126467B
公开(公告)日：2022-02-15
申请号：CN201911291880.1
申请日：2019-12-16
Applicant: 武汉大学
IPC: G06V10/762 , G06K9/62 , G06V20/10 , G06N3/00
Abstract: 本发明涉及一种基于多目标正余弦算法的遥感影像空谱聚类方法。本发明结合多目标优化理论方法，将遥感影像聚类问题转换为类间距离最大化和类内距离最小化的多目标优化问题，同时考虑影像的空间信息建立空间信息项，构建遥感影像聚类多目标优化函数。将聚类中心进行编码同时利用兼备全局及局部搜索能力的正弦余弦算法进行个体及种群的更新，迭代优化后获取一组帕累托最优解集，利用基于角度的选解方法自动获取最终的聚类中心个体，用以后续输出聚类结果。本发明可以解决遥感影像多目标聚类问题，同时考虑多个影响因素获得权衡解，另外提升了遥感影像聚类过程的优化能力，可以获取更佳的聚类结果。本发明可以有效提升遥感影像聚类的适用性和精度。
-
公开(公告)号：CN112816474B
公开(公告)日：2022-02-01
申请号：CN202110017726.6
申请日：2021-01-07
Applicant: 武汉大学
Abstract: 本发明涉及一种基于目标感知的深度孪生网络高光谱视频目标跟踪方法。本发明设计了基于目标感知的深度孪生网络高光谱目标跟踪框架，相比于现有高光谱目标跟踪模型，本发明提升了算法处理速度以及精度。本发明设计了高光谱目标感知模型用以提取高光谱目标的语义特征，增加了网络对高光谱视频目标的表征能力。设计了自适应边界框预测模块，可以直接预测出目标的边界框。本发明可以解决用于深度学习模型训练的高光谱训练样本少的问题，相比于现有高光谱目标跟踪模型，本发明提升了算法处理速度以及精度。
-
公开(公告)号：CN112966555A
公开(公告)日：2021-06-15
申请号：CN202110143728.X
申请日：2021-02-02
Applicant: 武汉大学
Abstract: 本发明一种基于深度学习和部件先验的遥感影像飞机识别方法，用于遥感影像细粒度飞机目标识别。本发明提出一种新颖的细粒度飞机目标提取框架，该框架包括(1)飞机目标先验库，(2)深度特征提取器以及(3)部件特征提取和型号识别。首先，将影像输入飞机部件先验库中以获取飞机部件先验；其次，将影像输入深度卷积神经网络以提取深度抽象特征。第三，基于深度卷积特征和飞机部件先验，通过对不同部件特征进行求和运算实现部件特征融合。最后，输出识别结构，以实现对细粒度飞机型号识别。为了评估细粒度飞机型号识别框架的性能，采用一个公开的民航飞机型号数据集进行模型验证，共包含10个民用飞机型号。
-
公开(公告)号：CN112858178A
公开(公告)日：2021-05-28
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。
-
公开(公告)号：CN112816474A
公开(公告)日：2021-05-18
申请号：CN202110017726.6
申请日：2021-01-07
Applicant: 武汉大学
Abstract: 本发明涉及一种基于目标感知的深度孪生网络高光谱视频目标跟踪方法。本发明设计了基于目标感知的深度孪生网络高光谱目标跟踪框架，相比于现有高光谱目标跟踪模型，本发明提升了算法处理速度以及精度。本发明设计了高光谱目标感知模型用以提取高光谱目标的语义特征，增加了网络对高光谱视频目标的表征能力。设计了自适应边界框预测模块，可以直接预测出目标的边界框。本发明可以解决用于深度学习模型训练的高光谱训练样本少的问题，相比于现有高光谱目标跟踪模型，本发明提升了算法处理速度以及精度。
-
Patent Agency Ranking
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：CN111178316A
公开(公告)日：2020-05-19
申请号：CN202010009028.7
申请日：2020-01-06
Applicant: 武汉大学
Abstract: 本发明涉及一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法，用于自动搜索适合于特定数据集的卷积神经网络架构。本发明结合深度学习理论，设计层次化搜索空间和级联训练策略，将卷积神经网络设计转化为基于数据驱动模式，并构建了一系列的轻量级操作作为候选，以保证搜索网络架构的效率。该框架通过空洞金字塔池化模块对网络架构进行适配，使其适用于高分辨率遥感图像识别任务。本发明能够解决现有的人工设计架构专业知识与时间成本要求高等问题，针对特定高分辨率遥感影像土地覆盖分类数据集自动搜索合适的深度学习模型，可以有效提高模型设计效率与精度。
-
公开(公告)号：CN111126287A
公开(公告)日：2020-05-08
申请号：CN201911354909.6
申请日：2019-12-25
Applicant: 武汉大学
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。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.029 seconds)
