-
Patent Agency Ranking
公开(公告)号：CN112926452B
公开(公告)日：2022-06-14
申请号：CN202110212923.3
申请日：2021-02-25
Applicant: 东北林业大学
Abstract: 本发明提出一种基于GCN和GRU增强U‑Net特征的高光谱分类方法，所述方法为解决高光谱波段数据之间的类内高变异性和类间的相似性提供了新的解决方案。针对传统模型忽略特征之间所存在的潜在关系，提出使用图神经网络(GCN)和门控循环单元(GRU)获取U‑Net下采样特征之间的潜在关系，同时注意力机制用于根据上下文特征的重要程度学习得到新的特征。该方法将下采样得到的较混乱的特征转化为高内聚低耦合的特征，为下游的任务提供干净可靠的数据。同时该方法在小样本高光谱上只需要迭代很少次就能取得十分优异的结果。
-
公开(公告)号：CN118898632A
公开(公告)日：2024-11-05
申请号：CN202410713727.8
申请日：2024-06-04
Applicant: 东北林业大学
IPC: G06T7/13 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明提供一种基于高斯函数的特征增强的高分遥感影像建筑边界矢量提取算法，属于图像处理技术领域，包括遥感图像数据预处理和模型构建。本发明提出了Swap算子来解决建筑边界提取任务中存在的挑战。Swap算子可以有效地捕获图像中的局部和全局特征，同时减少模型的参数数量和计算复杂度，从而提高建筑边界提取任务的效率和准确性。Swap作为一个可插入式的模块，可以有效地结合CNN、GNN和Transformer等模型的优势，克服它们在建筑边界提取任务中存在的局限性，从而实现更好的建筑边界提取的效果。
-
公开(公告)号：CN114202690B
公开(公告)日：2024-04-12
申请号：CN202111498048.6
申请日：2021-12-09
Applicant: 东北林业大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06F8/30
Abstract: 本发明公开了以混合多层感知器为基础的多尺度网络分析方法，包括：MSC块和UMLP块；本发明实现了高效率的高光谱分类方法超过了以往的方法、其模型大小仅为0.185M，能很好的适用于工业的需求、能很好的将此方法应用于高光谱领域，监控森林变迁和对森林灾情如火灾等进行及时的预警作用。
-
公开(公告)号：CN114202690A
公开(公告)日：2022-03-18
申请号：CN202111498048.6
申请日：2021-12-09
Applicant: 东北林业大学
Abstract: 本发明公开了以混合多层感知器为基础的多尺度网络分析方法，包括：MSC块和UMLP块；本发明实现了高效率的高光谱分类方法超过了以往的方法、其模型大小仅为0.185M，能很好的适用于工业的需求、能很好的将此方法应用于高光谱领域，监控森林变迁和对森林灾情如火灾等进行及时的预警作用。
-
公开(公告)号：CN112926452A
公开(公告)日：2021-06-08
申请号：CN202110212923.3
申请日：2021-02-25
Applicant: 东北林业大学
Abstract: 本发明提出一种基于GCN和GRU增强U‑Net特征的高光谱分类方法，所述方法为解决高光谱波段数据之间的类内高变异性和类间的相似性提供了新的解决方案。针对传统模型忽略特征之间所存在的潜在关系，提出使用图神经网络(GCN)和门控循环单元(GRU)获取U‑Net下采样特征之间的潜在关系，同时注意力机制用于根据上下文特征的重要程度学习得到新的特征。该方法将下采样得到的较混乱的特征转化为高内聚低耦合的特征，为下游的任务提供干净可靠的数据。同时该方法在小样本高光谱上只需要迭代很少次就能取得十分优异的结果。
-
-
-
-
Search Results
5
records
(took 0.027 seconds)
