-
公开(公告)号：CN114359636B
公开(公告)日：2025-04-18
申请号：CN202210020297.2
申请日：2022-01-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/764 , G06N20/00
Abstract: 本发明公开了一种采用全局‑局部通道注意力模块校准高光谱特征方法，包括：通过骨干网络提取高光谱原始图像的深度语义特征，得到局部高光谱特征图；采用全局‑局部通道注意力模块，通过压缩、复制、连接、激励和校准五个步骤，实现重新校准所述局部高光谱特征图。本发明提出了一个全局‑局部通道注意力模块以即插即用的方式工作，以像素方式灵活且精确地重新校准通道特性响应，增强了有用信息，抑制了无用信息，重新校准的特征映射，减少了冗余和噪声，有效地提高了基于深度学习网络的高光谱图像分类方法的性能，可以应用于任何现有的基于深度高光谱图像分类中，同时无需额外的计算成本。
-
公开(公告)号：CN118230159B
公开(公告)日：2024-11-26
申请号：CN202410334186.8
申请日：2024-03-22
Applicant: 重庆华地资环科技有限公司 , 重庆地质矿产研究院 , 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V20/10 , G06V10/20 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种基于双分支深度监督的遥感采矿图斑时序变化检测方法，包括：获取采矿区域的时序遥感数据，所述时序遥感数据包括多个时间点且覆盖采矿区域全部范围的高分辨率遥感影像；对所述时序遥感数据进行预处理，所述预处理包括大气校正、辐射定标和图像配准操作；构建基于深度学习的语义变化检测模型并训练，所述语义变化检测模型包括前端时序差异检测网络和后端时序差异检测网络，形成基于双分支时序变化检测的语义变化检测模型；采用训练好的语义变化检测模型，根据所述时序遥感数据生成差异图，得到时序变化检测结果。本发明提高了时序变化检测的准确性和效率，且能够适用于大范围或长时间序列的变化检测。
-
公开(公告)号：CN114387258B
公开(公告)日：2024-03-22
申请号：CN202210039789.6
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种基于区域动态深度展开神经网络的高光谱图像重构方法，包括如下步骤：S1，模拟高光谱数据的真值图像；S2，将真值图像经过掩膜编码得到混叠图像；S3，混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；S4，利用训练好的深度展开神经网络进行光谱图像重构。本发明采用基于区域动态的深度展开神经网络根据混叠图像的区域化特征来动态指导重构变换域的生成，有效提升了快照压缩光谱成像中的图像重构质量，在网络训练和实用中更为便捷灵活，节省计算资源和降低时间消耗。
-
公开(公告)号：CN114965293B
公开(公告)日：2025-05-09
申请号：CN202210504116.3
申请日：2022-05-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供了一种偏振光谱特征融合的水中氨氮检测方法，用于偏振光谱特征融合系统，系统包括光源、反射镜、四分之一波片、线偏振片、光纤透镜和光纤光谱仪；方法包括：C1：通过系统基于目标水样，采集偏振调制光谱；C2：解调目标水样反射光波的四个斯托克斯参量光谱；C3：选取不同数量的偏振调制光谱和斯托克斯参量光谱分别进行光谱特征融合；C4：基于氨氮浓度不同的目标水样的特征融合光谱，进行光谱分类。本发明实现了基于偏振特征融合光谱检测水中氨氮，通过光与物质之间的相互作用，无需使用辅助试剂，准确的检测水中氨氮浓度。
-
公开(公告)号：CN118067001A
公开(公告)日：2024-05-24
申请号：CN202410211712.1
申请日：2024-02-27
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种结合光瞳函数的光源位置精确校正方法，适用于傅里叶叠层显微系统，其包括：使用不同数量的低分辨率图像重建K幅光瞳函数图像；搜索光瞳函数强度值剧烈下降处的位置到图像中心的距离最大和最小时对应的方向α1和α2；在K幅光瞳函数图像中，沿着α1和α2执行圆轮廓搜索算法得到两组强度值剧烈下降处的位置到图像中心的距离，由两组距离确定位置偏差情况；根据α1和α2所处的区间确定得到的频域位置偏差对应的边角LED单元在LED阵列中的理想位置，计算边角LED在频域中对应子孔径的实际位置；LED阵列空间位置求解，完成对LED阵列的空间位置校正。本发明实现了LED阵列的空间位置精确校正。
-
Patent Agency Ranking
公开(公告)号：CN114387518A
公开(公告)日：2022-04-22
申请号：CN202210039795.1
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于DeepLabV3改进的遥感图像分割方法包括：S1，构建基于DeepLabV3改进的神经网络；S2，训练基于DeepLabV3改进的神经网络；S3，利用训练好的基于DeepLabV3改进的神经网络进行遥感图像语义分割。本发明的有益效果为：1、本发明采用基于DeepLabV3改进的神经网络对遥感图像的深层特征并完成对遥感图像的语义分割，在网络训练和实用中更为有效。2、通过基于DeepV3改进的网络，对DeepLabV3网络的ASPP模块加入了动态权重调整，更好的帮助网络提取遥感图像的深层次特征，提升了网络提取的多尺度语义特征捕获能力，能够更高效的完成遥感图像的语义分割。
-
公开(公告)号：CN114387422A
公开(公告)日：2022-04-22
申请号：CN202210063938.2
申请日：2022-01-20
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于注意力机制的点云场景流预测方法，包括以下步骤：S1、构建真实场景流数据集；S2、基于真实场景流数据集对输入数据预处理，建立点云特征提取模型，对局部区域候选场景流生成，通过注意力机制对候选场景流进行聚合，对候选场景流进行上采样，采用带有残差连接的输出层对输出进行修正；S3、采用预测场景流和真实场景流的L1Loss作为损失对网络进行优化和训练；S4、将训练好的网络在构建好的真实场景流数据集上进行测试，获得测试结果。
-
公开(公告)号：CN114170236A
公开(公告)日：2022-03-11
申请号：CN202111543635.2
申请日：2021-12-16
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于半监督学习的全自动近红外静脉分割方法，涉及医学图像处理的近红外肢体成像技术领域，方法包括：S1：获取近红外的肢体成像制作静脉分割图像，进行预处理，构建数据集；S2：构建以递归尺度循环神经网络为主体，重构一致性神经网络以及分割对抗神经网络为辅的语义分割模型；S3：训练并迭代优化语义分割模型。本发明基于构建的有标签部分和无标签部分的数据集，通过分别输入标记数据来训练分割模型，输入未标记数据来生成预测图，并通过重构一致性神经网络以及分割对抗神经网络进行优化，提高了模型的精度和速度。
-
公开(公告)号：CN114965293A
公开(公告)日：2022-08-30
申请号：CN202210504116.3
申请日：2022-05-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供了一种偏振光谱特征融合的水中氨氮检测方法，用于偏振光谱特征融合系统，系统包括光源、反射镜、四分之一波片、线偏振片、光纤透镜和光纤光谱仪；方法包括：C1：通过系统基于目标水样，采集偏振调制光谱；C2：解调目标水样反射光波的四个斯托克斯参量光谱；C3：选取不同数量的偏振调制光谱和斯托克斯参量光谱分别进行光谱特征融合；C4：基于氨氮浓度不同的目标水样的特征融合光谱，进行光谱分类。本发明实现了基于偏振特征融合光谱检测水中氨氮，通过光与物质之间的相互作用，无需使用辅助试剂，准确的检测水中氨氮浓度。
-
公开(公告)号：CN114419392A
公开(公告)日：2022-04-29
申请号：CN202210061669.6
申请日：2022-01-19
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了高光谱快照图像恢复方法、装置、设备及介质，该方法包括获取光谱图像数据集编写卷积神经网络所需的数据接口；构建训练集和测试集；使用随机掩膜与训练集进行叠加，设定通道像素，并将图像进行倾斜处理后在光谱维度进行叠加获得混叠图像作为输入，训练集作为待拟合数据，端到端训练模型；以深度迭代展开的形式构建恢复算法；利用基于区域自注意力机制的神经网络进行建模学习，构建恢复算法模型；设置训练参数和损失函数策略，对构建好的恢复算法模型进行训练并验证；通过恢复算法模型将压缩感知图像恢复为高光谱图像。本发明利用高光谱数据特有的光谱‑空间相关性，高精度、高效率恢复原始高光谱图像信息。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.021 seconds)
