公开(公告)号：CN119380059A

公开(公告)日：2025-01-28

申请号：CN202411481967.6

申请日：2024-10-23

Applicant: 南京邮电大学

Inventor： 黄楠 ,  吴桐 ,  郑志忠 ,  刘鹏飞 ,  倪康

IPC: G06V10/762 ,  G06N3/0895 ,  G06V10/82 ,  G06N3/0464 ,  G06V20/10

Abstract: 本发明属于高光谱图像无监督技术领域，公开了一种基于局部‑全局双分支网络的高光谱图像自监督聚类方法，包括：(1)构造3D像素块；(2)通过ResNet模块获取浅层深度特征；(3)将浅层特征注入到双路径网络模块；(4)计算局部特征与聚类中心的相似性，得到局部语义概率分布，然后得到目标分布；(5)将全局特征送入前馈神经网络得到每个像素的概率，获取全局语义概率分布；(6)通过双重自监督机制构建网络损失函数指导整个网络模型的更新。本发明通过引入双路径网络架构挖掘高光谱图像的局部细节特征以及全局语义特征，有效提高了高光谱地物的识别精度。

公开(公告)号：CN118587467A

公开(公告)日：2024-09-03

申请号：CN202410371409.8

申请日：2024-03-29

Applicant: 南京邮电大学

Inventor： 倪康 ,  王铎 ,  李姿润 ,  郑志忠

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/42 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种小波特征引导头选择Transformer网络的高光谱和LiDAR联合分类方法，在空间和光谱维度上同时抽取HSI和LiDAR数据在频域和空间域内的细节特征和非冗余全局上下文特征，为了更好地获取空间和光谱特征的细节信息，首先引入光谱‑空间频域特征提取模块，继而在传统Transformer编码器模块之后插入了基于头选择池化Transformer的自适应全局‑局部特征提取模块，最后，引入具有局部特征和全局类别标记的多模态特征融合分类模块，以生成最终的可辨别特征。本发明在考虑网络性能的同时，有效地降低了模型的参数量和对冗余信息的处理，缩短了模型的训练和推理的时间，大大地提升了模型性能。

公开(公告)号：CN116863223A

公开(公告)日：2023-10-10

申请号：CN202310820664.1

申请日：2023-07-05

Applicant: 南京邮电大学

Inventor： 倪康 ,  周帅 ,  陈建奇 ,  邵思林 ,  郑志忠

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V20/10 ,  G06V20/70 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及语义注意力特征嵌入Swin Transformer网络的遥感图像场景分类的方法，属于深度学习、特征融合等遥感图像处理技术领域；首先获取遥感图场分类数据集并分为训练集、测试集和验证集，将训练集输入Swin Transformer骨干网中进行训练，将第4阶段全局特征图进行反卷积操作后得到反卷积深度语义特征图，与第3阶段特征图作为双向非对称注意力调制模块的两个输入参数，获取高层语义特征，再进行特征降维之后，引入全局平局池化层得到最终全局深度特征，并利用Softmax损失函数得到最终的场景分类结果；本发明充分顾及遥感场景图像的全局特征信息；语义注意力特征嵌入深度模型，提高融合特征的可辨识性。

公开(公告)号：CN118154971A

公开(公告)日：2024-06-07

申请号：CN202410340247.1

申请日：2024-03-25

Applicant: 南京邮电大学

Inventor： 倪康 ,  袁春阳 ,  郑志忠

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/26 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于全卷积‑动态图网络的SAR图像分类方法，首先获取SAR图像数据，并将其输入全卷积多层级超像素分割网络，获取多层级超像素图和丰富细节特征。其次，采用超像素图转换方法将多层级超像素图转换成动态图，并计算多层级图之间的关系矩阵和图的邻接矩阵。最后，将细节特征、动态图、关系矩阵和邻接矩阵喂入动态图U‑Net网络进行特征提取，并输出分类结果。本发明的动态图U‑Net引入了残差图卷积调制融合层与注意力节点特征聚合池化层等关键技术，以提升分类效果。通过全卷积多层级超像素分割与动态图U‑Net的有机结合，充分挖掘了SAR图像的可判别空间拓扑结构信息，从而提高了分类准确性和鲁棒性。该技术具有广阔的应用前景和实用价值。