-
公开(公告)号：CN119904664A
公开(公告)日：2025-04-29
申请号：CN202411657171.1
申请日：2024-11-19
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06V20/13 , G06V10/58 , G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/047
Abstract: 基于位置信息增强的高光谱与激光雷达图像融合分类方法，属于遥感图像处理领域。本发明实现方法为：使用预设的窗口标记像素，窗口内的像素标记相同，不同窗口按顺序标记，并对其进行归一化处理，获得所有像素对应的绝对位置编码图。对高光谱与激光雷达图像以及绝对位置编码图进行滑动切片得到空间光谱立方体、高程信息立方体以及绝对位置信息立方体。将三类特征立方体通过卷积层提取出抽象表示，再将其输入到绝对位置增强模块，输出具有绝对位置信息增强的并融合高程信息和空间光谱信息的融合特征；对卷积层的输出特征图进行池化操作保留突出特征和整体特征，作为补充信息与融合特征拼接后经过全连接层得到最终的分类结果。
-
公开(公告)号：CN118366048A
公开(公告)日：2024-07-19
申请号：CN202410202427.3
申请日：2024-02-23
Applicant: 北京理工大学
Abstract: 本发明公开的基于超分辨金字塔网络和旁瓣抑制的SAR小目标检测方法，属于小尺度目标检测技术领域。本发明实现方法为：构建小尺度SAR图像舰船目标检测数据集；使用ResNet‑50主干网络、FPN Neck网络、CBAM、超分辨特征融合模块和Faster RCNN检测头，搭建SAR小目标检测模型；将多尺度超分辨特征图输入到基于注意力机制的旁瓣抑制模块，在空间维度提取不同方向注意力向量构建二维增强特征图，在通道维度上使用通道注意力模块得到多尺度强化特征图；利用数据集对超分辨金字塔网络和旁瓣抑制网络进行训练；将每批次待预测的SAR图像输入到超分辨金字塔网络和旁瓣抑制网络，输出得到每批次SAR图像的预测结果，提升复杂场景下小目标的检测精度。
-
公开(公告)号：CN118570632A
公开(公告)日：2024-08-30
申请号：CN202410616306.3
申请日：2024-05-17
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/34 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 一种提升SAR图像中弱监督有向舰船检测精度的方法，属于合成孔径雷达图像有向舰船检测领域。采用水平包围框标注数据，同时利用SAR图像中舰船的形态学特性，以弱监督方式协同训练有向舰船检测网络，突破SAR图像有向舰船标注数据不足对有向检测舰船检测方法的限制；采用一种舰船朝向提取机制，无需引入其他数据即可直接从SAR图像中提取出舰船的朝向，用于与加载的水平包围框标注协同训练角度校正网络；采用一种角度校正网络，通过网络自行预测出的朝向将舰船包围框的角度修正至正确范围，提高网络对舰船角度的检测准确性。本发明适用于舰船检测领域，能够降低SAR图像中弱监督有向舰船检测的成本，提高检测精度。
-
公开(公告)号：CN114842264A
公开(公告)日：2022-08-02
申请号：CN202210539391.9
申请日：2022-05-17
Applicant: 北京理工大学
Abstract: 本发明提供一种基于多尺度空谱特征联合学习的高光谱图像分类方法，通过多尺度光谱特征提取模块和多尺度空间特征提取模块分别有效提取了不同尺度的光谱特征和空间特征，再通过光谱‑空间特征融合模块进行光谱特征和空间特征的联合提取，实现了光谱‑空间特征的联合学习，充分利用了高光谱图像中丰富的光谱和空间信息，提高了分类精度；同时，本发明将光谱‑空间特征的提取通过三组卷积神经网络来实现，且第一组三维卷积层Ⅰ中卷积核的前两维尺寸为1×1，第二组为二维卷积层，相比于全部使用三个维度均不为1的多层三维卷积神经网络，能够在保证分类性能的前提下实现模型轻量化，加快模型获取时的训练速度和模型使用时的分类速度。
-
Patent Agency Ranking
公开(公告)号：CN114842264B
公开(公告)日：2024-08-02
申请号：CN202210539391.9
申请日：2022-05-17
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/58 , G06V10/52 , G06V10/80 , G06V10/44 , G06V20/10 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于多尺度空谱特征联合学习的高光谱图像分类方法，通过多尺度光谱特征提取模块和多尺度空间特征提取模块分别有效提取了不同尺度的光谱特征和空间特征，再通过光谱‑空间特征融合模块进行光谱特征和空间特征的联合提取，实现了光谱‑空间特征的联合学习，充分利用了高光谱图像中丰富的光谱和空间信息，提高了分类精度；同时，本发明将光谱‑空间特征的提取通过三组卷积神经网络来实现，且第一组三维卷积层Ⅰ中卷积核的前两维尺寸为1×1，第二组为二维卷积层，相比于全部使用三个维度均不为1的多层三维卷积神经网络，能够在保证分类性能的前提下实现模型轻量化，加快模型获取时的训练速度和模型使用时的分类速度。
-
公开(公告)号：CN114998725B
公开(公告)日：2024-07-19
申请号：CN202210538476.5
申请日：2022-05-17
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/58 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明提供一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，首先通过光谱注意力核函数s实现光谱特征信息的有效选择，然后通过能够捕捉不同空间分布关系的空间注意力核函数集合W实现对不同像素邻域内空间特征的有效提取，使得本发明即使在小样本情况下也可以得到很高的分类精度，并能够产生更加均匀平滑且边界清晰的分类结果图。
-
公开(公告)号：CN118135315A
公开(公告)日：2024-06-04
申请号：CN202410294936.3
申请日：2024-03-14
Applicant: 北京理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/77 , G06V10/44 , G06V10/58 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06V10/80 , G06V10/54
Abstract: 本发明涉及一种基于注意力特征交互增强的遥感图像融合分类方法，属于多模态遥感图像分类领域。本发明的方法先读取多模态遥感图像数据；对数据预处理并创建训练集和测试集；高光谱图像数据和合成孔径雷达图像数据分别通过对应的特征提取网络，这两个特征提取网络的最后一个卷积层共享权重；将特征网络输出的分类结果融合并送入空间注意力机制中，然后对输出的结果和单模态分类结果进行决策融合；基于加权求和法设计的损失函数用于优化模型，最终得到分类结果。本发明通过特征交互提取了地物的互补性特征、捕捉远程依赖，达到更高的分类精度。
-
公开(公告)号：CN117892199A
公开(公告)日：2024-04-16
申请号：CN202410080752.7
申请日：2024-01-19
Applicant: 北京理工大学
IPC: G06F18/241 , G06F18/214
Abstract: 本发明公开的一种基于局部损失的多角度联合的活动识别分类方法，属于活动识别分类领域。本发明实现方法为：通过对局部相似度匹配损失函数和局部焦点损失函数加权融合；针对少样本数量活动类别的难分类特点，在每次训练时，计算并提高少样本活动类的损失值，以增大基准模型对少样本类别的重视程度，进而改进活动识别领域中的类间样本不平衡问题。本发明将基准模型决策边界的形成过程通过将三层卷积层与一层全连接层分块化训练来实现，局部相似度匹配损失函数针对卷积层的输出使用，局部焦点损失函数针对与卷积层搭配的局部线性连接层的输出使用，能够在保证活动识别分类性能的前提下实现模型参数轻量化，提高模型训练过程中硬件内存重用率。
-
公开(公告)号：CN114998725A
公开(公告)日：2022-09-02
申请号：CN202210538476.5
申请日：2022-05-17
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/58 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，首先通过光谱注意力核函数s实现光谱特征信息的有效选择，然后通过能够捕捉不同空间分布关系的空间注意力核函数集合W实现对不同像素邻域内空间特征的有效提取，使得本发明即使在小样本情况下也可以得到很高的分类精度，并能够产生更加均匀平滑且边界清晰的分类结果图。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
