-
公开(公告)号：CN116343023A
公开(公告)日：2023-06-27
申请号：CN202211461436.1
申请日：2022-11-21
Applicant: 北京理工大学长三角研究院(嘉兴) , 北京理工大学
Abstract: 本发明提出了基于多尺度光谱波段学习的高光谱图像分类方法及系统，属于遥感图像处理技术领域。首先以原始高光谱图像中具有标签的像素点为中心，对原始高光谱图像进行分块操作，得到一系列高光谱数据块。然后，使用光谱权重中心损失函数和交叉熵损失函数训练光谱权重学习模块和多尺度光谱‑空间卷积神经网络。利用光谱权重学习模块对高光谱数据块进行关键光谱信息提取，获得光谱重加权后的高光谱数据块。利用多尺度光谱‑空间卷积神经网络对光谱重加权后的高光谱数据块进行多尺度光谱‑空间融合特征提取，将特征送入多尺度光谱‑空间卷积神经网络进行分类预测，得到最终的分类结果。本发明为光谱图像中关键光谱信息提取提供了新的解决方案。
-
公开(公告)号：CN118839766A
公开(公告)日：2024-10-25
申请号：CN202410844642.3
申请日：2024-06-27
Applicant: 北京理工大学 , 北京理工大学前沿技术研究院
IPC: G06N5/04 , G06N3/042 , G06N3/098 , G06N3/09 , G06N3/0455 , G06N3/0985 , G06F18/25 , G06F18/241
Abstract: 本发明公开的一种面向多边缘设备的Transformer模型协同推理方法，属于边缘计算领域。本发明实现方法为：将原数据集划分为多个标签类别数相等的子数据集，根据边缘设备计算性能和资源，切分原始模型为多个仅保留重要结构的子模型，通过子任务蒸馏方法帮助子模型学习原始模型特征，采用模型集成方法聚合所有子模型，提升集成模型的整体性能；将训练好的集成模型中的子模型，分别部署到对应边缘设备上。当边缘设备接收的推理任务请求时，所有边缘设备并行执行子模型的推理，中心节点使用特征融合模块融合所有中间结果得到最终推理结果，实现多边缘设备的模型协同推理，提高边缘设备执行推理任务的推理速度，降低边缘设备执行推理任务的推理能耗。
-
公开(公告)号：CN115457379A
公开(公告)日：2022-12-09
申请号：CN202210775721.4
申请日：2022-07-01
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
Abstract: 本发明涉及一种联合语义分割与角度预测的遥感影像道路提取方法及系统，属于计算机视觉技术领域。本发明从真实道路信息中计算道路角度信息，将道路倾斜角度具有一定稳定性这一几何特征显式地体现出来，为神经网络添对该几何特征进行约束提供用于对比的道路角度真值。本发明在核心模型中设计角度预测模块与特征融合部分，对道路角度特征进行预测与融合，并设计对应损失函数增加角度相关的显式约束条件，使该模型能够更好地利用遥感影像中所蕴含的各类信息提升最终道路预测结果的精确程度。本发明能够在不需要特殊设备、具有较快生成速度的前提下，提高在复杂真实遥感影像下预测道路信息的准确程度。
-
公开(公告)号：CN118967450B
公开(公告)日：2025-05-06
申请号：CN202411452810.0
申请日：2024-10-17
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
IPC: G06T3/4053 , G06T5/50
Abstract: 本发明涉及一种基于结构信息的不对齐多源数据的光谱图像融合超分方法及系统，属于计算摄像技术领域。本发明首先使用梯度计算对输入的高光谱和多光谱图像提取梯度图，再使用纹理编码器和结构编码器分别对图像和梯度图进行编码，获取纹理特征金字塔和结构特征金字塔，然后使用结构注意力引导的特征融合对齐模块在各个层级进行特征融合获得对齐特征，最后使用解码器网络对对齐特征进行解码，生成高分辨率高光谱图像。本发明使特征对齐效果更加鲁棒，使超分辨率效果更好，在真实数据集和仿真数据集的各个倍率的超分任务中均取得很好的结果，在高倍率超分任务中具有优势，易于推广。
-
公开(公告)号：CN117114983B
公开(公告)日：2025-05-06
申请号：CN202310613082.6
申请日：2023-05-26
Applicant: 北京理工大学 , 中国科学院西安光学精密机械研究所
IPC: G06T3/4061 , G06T3/4046 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明提出一种基于空谱联合匹配的高光谱图像超分辨率方法，包括，依据退化模型，构造有监督的高光谱图像和彩色图像成对的数据集；构造高光谱超分辨率网络，使用数据集对高光谱超分辨率网络进行训练；建立监督约束，使用损失函数优化高光谱超分辨率网络的参数；获取输入数据，生成高分辨率高光谱图像，完成推理和指标评价。本发明能够基于深度学习网络，通过对准和融合低分辨率的高光谱图像和高分辨率，获得高质量的高分辨率的高光谱图像。
-
Patent Agency Ranking
公开(公告)号：CN118917121B
公开(公告)日：2025-02-21
申请号：CN202411421994.4
申请日：2024-10-12
Applicant: 北京理工大学
Abstract: 本发明提出了基于物理原理引导的单光子图像噪声建模增强方法及系统，属于计算机图像处理技术领域。首先从单光子噪声的物理原理入手，以概率构建完整的噪声模型，根据噪声模型的性质设计噪声标定方案。然后，结合噪声模型，使用RAW图像合成高质量的成对单光子数据，为神经网络的训练提供有力支持。最后，使用高性能的图像重建模型，利用通道域和空间域的自注意力机制、结构特征增强和显式引导高频纹理恢复的损失策略，达到更好的图像重建与去噪效果。本发明能够准确表征单光子相机的真实噪声分布，并高质量地从噪声图像中恢复出清晰的细节纹理。
-
公开(公告)号：CN119251270A
公开(公告)日：2025-01-03
申请号：CN202411430269.3
申请日：2024-10-14
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于物体反射先验引导的红外到可见光图像转换方法，属于计算机图像处理技术领域。首先构建物体反射先验引导的红外到可见光图像转换网络，然后使用损失函数训练物体反射先验引导的红外到可见光图像转换网络。最后用训练好的物体反射先验引导的红外到可见光图像转换网络，将红外图像转换为可见光图像。本发明能够有效提高模型对场景光照变化的适应性，增强了图像的自然度和观感质量；能够更准确地识别和处理图像中的各种物体和场景，有助于提升后续视觉任务的执行效果；能够在保留物体细节和纹理信息的同时，有效弥合红外图像和可见光图像之间的差异，提高了转换图像的色彩准确性和视觉质量，提升了转换图像的自然度和逼真度。
-
公开(公告)号：CN118917121A
公开(公告)日：2024-11-08
申请号：CN202411421994.4
申请日：2024-10-12
Applicant: 北京理工大学
Abstract: 本发明提出了基于物理原理引导的单光子图像噪声建模增强方法及系统，属于计算机图像处理技术领域。首先从单光子噪声的物理原理入手，以概率构建完整的噪声模型，根据噪声模型的性质设计噪声标定方案。然后，结合噪声模型，使用RAW图像合成高质量的成对单光子数据，为神经网络的训练提供有力支持。最后，使用高性能的图像重建模型，利用通道域和空间域的自注意力机制、结构特征增强和显式引导高频纹理恢复的损失策略，达到更好的图像重建与去噪效果。本发明能够准确表征单光子相机的真实噪声分布，并高质量地从噪声图像中恢复出清晰的细节纹理。
-
公开(公告)号：CN118821976A
公开(公告)日：2024-10-22
申请号：CN202410950911.4
申请日：2024-07-16
Applicant: 北京理工大学
IPC: G06N20/20 , G06N3/08 , G06N3/0464 , G06N3/048
Abstract: 本发明公开的一种用于任意客户端退出问题的模型对比联邦学习方法，属于边缘智能计算技术领域。本发明实现方法为：在联邦学习本地训练阶段针对活跃客户端，构建加入正则项的模型对比模块，减小全局目标向局部目标的偏移；针对退出客户端，采用历史更新延用策略，保证退出客户端对全局更新的贡献度。在全局模型更新阶段，采用加权聚合模块，先对本轮次的客户端的更新量按贡献度加权聚合，通过给予普遍性数据更大的权重，防止错误数据或个性化数据对模型性能的负面影响；利用该加权聚合模块对该轮次局部更新的加权聚合量与上一轮次全局更新加权聚合，融合历史全局更新量，提升全局模型收敛速度，增强全局模型对数据异质性的鲁棒性。
-
公开(公告)号：CN118587105A
公开(公告)日：2024-09-03
申请号：CN202410570755.9
申请日：2024-05-09
Applicant: 北京理工大学
Abstract: 本发明涉及计算摄像科学技术领域，尤其涉及一种红外与可见光图像融合方法、装置、电子设备及存储介质，其中，方法包括：获取配准的红外图像及可见光图像；提取红外图像及可见光图像特征信息，获得各层次特征信息；将各层次特征信息中最深层的特征进行初步融合，获得初步融合特征；将初步融合特征与各层次特征信息中浅层特征进行融合，获得最终融合特征；基于最终融合特征进行图像重建，获得最终融合图像。通过多个卷积层生成融合特征，利用模态引导交叉注意块将提取的浅层和深层特征直接融合为融合特征，增强融合特征，同时避免了特征提取过程不断深化带来的信息丢失，通过引入多种计算机制，实现了良好融合效果的同时减少了计算量。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.027 seconds)
