-
公开(公告)号：CN117475308B
公开(公告)日：2025-01-10
申请号：CN202311439959.0
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06N3/0464 , G06V10/82
Abstract: 一种基于MADWA网络的高光谱图像像素级分类方法，它属于遥感图像分类领域。本发明解决了在噪声标签背景下现有深度神经网络分类准确性差的问题。本发明使用多尺度结构可以充分地学习真实标签及噪声标签数据信息，使网络学习信息的能力得到提升；并设计了光谱空间注意力结构，可以更加有效的关注每个维度所应学习的独特特征，以更加充分利用高光谱数据局部特征，提升了分类准确性。并且通过采用非对称卷积核，可以大幅度降低模型参数，提升运行速度，降低计算复杂度。本发明方法可以应用于遥感图像分类。
-
Patent Agency Ranking
公开(公告)号：CN117475216B
公开(公告)日：2024-11-29
申请号：CN202311439960.3
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/42 , G06N3/0464 , G06V10/82 , G06V20/13 , G06V20/10 , G06V10/80
Abstract: 一种基于AGLT网络的高光谱与激光雷达数据融合分类方法，它属于高光谱图像分类领域。本发明解决了现有方法的分类性能差的问题。本发明可以从高光谱图像数据中捕获和学习高光谱空‑谱联合特征，从LiDAR‑DSM数据中获取高程特征；并将非对称卷积核引入视觉Transformer结构，充分利用了卷积神经网络强大的空间上下文信息提取能力和基于自注意力机制的视觉Transformer强大的远程依赖建模能力；设计Bi前馈单元用于视觉Transformer，以充分提取数据的全局和局部信息，提高了模型的分类性能。本发明方法可以应用于高光谱图像分类。
-
公开(公告)号：CN117475217B
公开(公告)日：2025-01-17
申请号：CN202311439963.7
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于SSBRID网络的高光谱图像分类方法，它属于遥感图像分类技术领域。本发明解决了现有卷积神经网络的参数多、模型尺寸大以及分类精度低的问题。本发明将二维卷积扩展到三维卷积，可以适应高光谱数据的三维的特点；同时，将非对称卷积核引入三维卷积层中，可以降低模型参数量，提升运行速度；最后，对三维卷积的输出特征进行重组，并送入二维卷积中，可以在减少网络的参数的同时，减小模型尺寸、通过共享信息减少空间冗余，并提高了分类精度。本发明方法可以应用于遥感图像分类。
-
公开(公告)号：CN117475308A
公开(公告)日：2024-01-30
申请号：CN202311439959.0
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06N3/0464 , G06V10/82
Abstract: 一种基于MADWA网络的高光谱图像像素级分类方法，它属于遥感图像分类领域。本发明解决了在噪声标签背景下现有深度神经网络分类准确性差的问题。本发明使用多尺度结构可以充分地学习真实标签及噪声标签数据信息，使网络学习信息的能力得到提升；并设计了光谱空间注意力结构，可以更加有效的关注每个维度所应学习的独特特征，以更加充分利用高光谱数据局部特征，提升了分类准确性。并且通过采用非对称卷积核，可以大幅度降低模型参数，提升运行速度，降低计算复杂度。本发明方法可以应用于遥感图像分类。
-
公开(公告)号：CN117475216A
公开(公告)日：2024-01-30
申请号：CN202311439960.3
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/42 , G06N3/0464 , G06V10/82 , G06V20/13 , G06V20/10 , G06V10/80
Abstract: 一种基于AGLT网络的高光谱与激光雷达数据融合分类方法，它属于高光谱图像分类领域。本发明解决了现有方法的分类性能差的问题。本发明可以从高光谱图像数据中捕获和学习高光谱空‑谱联合特征，从LiDAR‑DSM数据中获取高程特征；并将非对称卷积核引入视觉Transformer结构，充分利用了卷积神经网络强大的空间上下文信息提取能力和基于自注意力机制的视觉Transformer强大的远程依赖建模能力；设计Bi前馈单元用于视觉Transformer，以充分提取数据的全局和局部信息，提高了模型的分类性能。本发明方法可以应用于高光谱图像分类。
-
公开(公告)号：CN117475217A
公开(公告)日：2024-01-30
申请号：CN202311439963.7
申请日：2023-11-01
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于SSBRID网络的高光谱图像分类方法，它属于遥感图像分类技术领域。本发明解决了现有卷积神经网络的参数多、模型尺寸大以及分类精度低的问题。本发明将二维卷积扩展到三维卷积，可以适应高光谱数据的三维的特点；同时，将非对称卷积核引入三维卷积层中，可以降低模型参数量，提升运行速度；最后，对三维卷积的输出特征进行重组，并送入二维卷积中，可以在减少网络的参数的同时，减小模型尺寸、通过共享信息减少空间冗余，并提高了分类精度。本发明方法可以应用于遥感图像分类。
-
-
-
-
-
Search Results
6
records
(took 0.036 seconds)
