-
公开(公告)号：CN118644791A
公开(公告)日：2024-09-13
申请号：CN202411128580.2
申请日：2024-08-16
Applicant: 南京理工大学
IPC: G06V20/13 , G06V10/25 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种地学领域知识引导的高光谱融合感算协同探测方法及装置，方法包括以下步骤：将感兴趣目标的地学领域先验光谱知识与采集的低分辨率高光谱‑高分辨率多光谱图像对同时作为输入；将潜在融合数据建模为目标与背景成分之和，利用地学领域知识引导目标子空间的校正；建立一种新型联合优化模型，由任意高阶张量秩最小化与正交子空间投影损失两个新型正则化项构成，迭代求解以实现利用地学领域知识与隐式高阶低秩性同时确保融合成像与目标探测；求解超定最小二乘方程进一步提升融合精度并增强地学知识的鲁棒表示；迭代重复上述步骤直至收敛，同时输出融合感知与探测计算结果。
-
公开(公告)号：CN118642863A
公开(公告)日：2024-09-13
申请号：CN202411126419.1
申请日：2024-08-16
Applicant: 南京理工大学
Abstract: 本发明公开了一种Spark框架下GPU使能的多层次张量CP分解分布式并行加速方法，包括：读取秩为R的大规模高光谱张量数据及因子矩阵参数初始化；利用P‑CPALS方法分布式并行更新每个因子矩阵；计算error，判断本轮迭代是否满足迭代停止条件。本发明通过结合不同并行机制的Spark平台与GPU高性能技术以达到多层次并行计算的效果，探索不同子任务之间的划分机制，合理运用多层次并行的高效计算能力，实现了具有更高效、高可扩展性的密集型张量数据的并行CP分解。
-
公开(公告)号：CN118172644A
公开(公告)日：2024-06-11
申请号：CN202410422410.9
申请日：2024-04-09
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多尺度空‑频域特征联合增强的遥感图像旋转目标检测方法及系统，该方法包括：利用卷积神经网络提取空域卷积特征；采用频域分析算法在频域空间中提取待检测目标的角度朝向信息，统计空域特征的尺度分布，通过调整频域分析方法中的尺度参数，并设计不同的通道变换操作，使提取到的频域特征的空间尺寸、通道维度与空域特征保持一致；将空域卷积特征与频域方向特征映射到同一高维空间后，采用基于自注意力机制的全局像素相关性表征方法，将空域卷积特征中的抽象语义信息与频域方向特征中的尺度角度信息进行联合交互增强，提高检测网络对目标旋转朝向的感知能力。本发明能够对遥感图像旋转目标进行鲁棒、精确的检测。
-
公开(公告)号：CN109948462B
公开(公告)日：2023-11-03
申请号：CN201910147758.0
申请日：2019-02-27
Applicant: 南京理工大学
IPC: G06V20/13 , G06V20/10 , G06V10/764
Abstract: 本发明公开了一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，包括如下步骤：读取高光谱图像训练数据与测试数据，将这些数据绑定为页锁定内存；通过基于多GPU流同步的稀疏多项式逻辑回归快速计算法计算最大似然概率矩阵，提取出高光谱图像的光谱信息；使用基于多GPU变量划分的加权马尔科夫场空间先验快速计算法提取高光谱图像空间信息，并计算边际概率矩阵；根据求得的边际概率矩阵求得测试数据的预测标签，得到最终分类结果。本发明既利用了高光谱图像光谱信息，又利用了空间信息，提高了分类精度。
-
公开(公告)号：CN115909088A
公开(公告)日：2023-04-04
申请号：CN202211628874.2
申请日：2022-12-18
Applicant: 南京理工大学
IPC: G06V20/13 , G06T3/40 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于超分辨特征聚合的光学遥感图像目标检测方法，包括：将光学遥感图像进行降采样输入进图像超分辨网络中，进行训练，得到SISR模块的超分网络；将光学遥感图像输入至SISR模块，得到超分辨后的图像；将光学遥感图像输入至用作提取图像特征信息的骨干模块，生成多尺度和多层次的特征；引入辅助特征超分辨模块，重建高分辨率图像；利用辅助特征超分辨模块，进行多尺度特征的融合，得到用于检测的超分辨特征；利用骨干模块生成的多尺度特征，引入特征金字塔网络，得到用于检测大、中、小目标的特征图，超分辨特征与特征金字塔中用于检测小目标的特征图进行融合，并通过特征聚合模块，获得用于检测的超分辨特征。
-
Patent Agency Ranking
公开(公告)号：CN109785281B
公开(公告)日：2022-09-13
申请号：CN201811651581.X
申请日：2018-12-31
Applicant: 南京理工大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于光谱映射的灰度调幅的pansharpening方法。首先通过建立变分模型求解光谱映射转换矩阵T，得到具有一定光谱分辨率的高空间分辨率图像（P_HCM）。然后，对光谱映射后得到的图像进行空间滤波进而产生带有光谱信息的空间细节，并将其注入到上采样后的MS图像中，得到具有较高分辨率的HR_MS图像；最后，基于平滑滤波的亮度调幅（SFIM）原理，得到最终的具有高空间和光谱分辨率的融合图像（HRMS）。本发明基于传统的pansharpening方法，充分挖掘HRPAN图像和LRMS图像的光谱和空间信息，在很好的保持空间结构信息的前提下，具有很好的光谱保真性，能得到具有良好视觉效果的融合图像。
-
公开(公告)号：CN114882302A
公开(公告)日：2022-08-09
申请号：CN202210578559.7
申请日：2022-05-26
Applicant: 南京理工大学
IPC: G06V10/772 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种结构化滤波器学习的小样本目标检测方法，包括以下步骤：准备小样本目标检测数据集和基类目标检测数据集，搭建网络结构；主干特征提取网络使用CSPDarknet53，引入通用特征增强模块；搭建结构化滤波器学习的小样本目标检测深度神经网络；使用基类数据集训练网络；在小样本目标检测数据集上，使用KSVD算法分层学习结构化滤波器输入特征图的字典，作为滤波器的权值参数，经过一次前向传播的过程，完成结构化滤波器的参数的初始化；使用初始化的网络模型在小样本数据集上继续训练；使用训练好的神经网络完成检测任务。该方法只需要少量的样本数据就可以训练出一个泛化性能良好的目标检测深度神经网络。
-
公开(公告)号：CN114581612B
公开(公告)日：2022-08-02
申请号：CN202210459830.5
申请日：2022-04-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种混合动作表示的高保真人脸重现方法，属于深度人脸伪造领域。包括提取驱动人脸的动作单元和姿态信息以及源人脸的关键点信息；利用关键点转换模块根据驱动人脸的动作单元和姿态信息转换源人脸的关键点信息；使用预训练的分割网络将源人脸图片分离为人脸区域和背景区域；将动作单元和转换过的关键点信息，以及人脸区域输入重现网络，生成目标人脸；将目标人脸和背景区域输入到背景融合模块，生成最终结果。本发明混合多种动作表示作为人脸重现的指引信号，并利用空间自适应正则化插入动作特征，使重现过程能更好地保持语义特征；同时结合背景分离技术，进一步提高生成人脸的真实性和帧间连续性，实现高保真的人脸重现。
-
公开(公告)号：CN114118308B
公开(公告)日：2022-05-20
申请号：CN202210091082.X
申请日：2022-01-26
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于约束能量最小化变分自编码的高光谱目标检测方法，包括以下步骤：利用约束能量最小化算法粗检测得到用于网络训练的背景样本；将背景样本输入到变分自编码器网络中进行训练，在变分自编码网络中引入能量最小化约束，从而在训练过程中，抑制疑似目标像元的影响，更好地重构出背景；用原始图像与重构背景作差得到残差，再使用约束能量最小化对残差进行检测得到检测图，其中自相关矩阵由重构的背景成分计算得到，对检测图使用非线性函数抑制背景像素保持目标像素不变，最后根据检测图得到最终的结果。本发明提出将约束能量最小化的自相关矩阵使用重构背景计算，消除了目标对自相关矩阵计算的影响，提高了目标检测精度。
-
公开(公告)号：CN114092834B
公开(公告)日：2022-04-15
申请号：CN202210076344.5
申请日：2022-01-24
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及系统，方法包括：建立高光谱图像的退化网络结构，用来模拟空间和光谱降采样过程；建立空间和光谱残差融合网络模型，利用退化模型得到的低分辨率结果与训练数据的差值作为融合网络的输入，即空间和光谱维度上的残差进行融合，得到对应于输入数据的残差图；对初始化数据进行修正，并将修正后的结果再送入退化网络和空谱联合修正网络中进行多次迭代以提高融合结果精度。本发明使用适用于无监督高光谱图像盲融合的空谱联合修正网络，空谱联合修正网络可以获得输入高光谱图像和真实值之间的误差图。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.052 seconds)
