-
公开(公告)号：CN116778207B
公开(公告)日：2024-02-09
申请号：CN202310790988.5
申请日：2023-06-30
Applicant: 哈尔滨工程大学
IPC: G06V10/762 , G06V10/74 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/088
Abstract: 本发明提出一种基于空间频域的无监督深度多尺度SAR图像变化检测方法。所述方法通过分层模糊C均值聚类对根据检测地区SAR图像生成的差异图像进行伪标签提取，解决了标签不足的问题。让SAR图像变化检测的方法适用于更多场景。本发明利用输入SAR图像的空间信息和频域信息，并提出了空间多区域多尺度深层特征提取，以这种方式捕获到的图像特征更利于检测。本发明分别在空间域和频域引入注意力机制和门控线性单元，以此来提高本发明对变化细节的灵敏程度并且降低SAR图像固有散斑噪声的影响，提高检测精度。
-
公开(公告)号：CN117173587B
公开(公告)日：2024-07-12
申请号：CN202311065026.X
申请日：2023-08-23
Applicant: 哈尔滨工程大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/094
Abstract: 本发明提出一种基于异构图像深度转换的特征细化融合变化检测方法。所述方法通过特征细化模块按照从粗到细的方式进行多级拼接，获取不同级别的时间差异特征，解决了简单拼接或逐像素做差的方法在变化检测任务中适应性差的问题；在特征融合模块中，采用U‑Net++对差异特征进行编解码，得到不同层次的特征，并进行融合，以更好地挖掘具有上下文变化信息的差异特征，同时滤除低层特征的背景杂波并纠正高层特征的位置误差。总体而言，该方法稳定可靠，具备良好的训练泛化性能，且算法简单易于实施。
-
公开(公告)号：CN116778207A
公开(公告)日：2023-09-19
申请号：CN202310790988.5
申请日：2023-06-30
Applicant: 哈尔滨工程大学
IPC: G06V10/762 , G06V10/74 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/088
Abstract: 本发明提出一种基于空间频域的无监督深度多尺度SAR图像变化检测方法。所述方法通过分层模糊C均值聚类对根据检测地区SAR图像生成的差异图像进行伪标签提取，解决了标签不足的问题。让SAR图像变化检测的方法适用于更多场景。本发明利用输入SAR图像的空间信息和频域信息，并提出了空间多区域多尺度深层特征提取，以这种方式捕获到的图像特征更利于检测。本发明分别在空间域和频域引入注意力机制和门控线性单元，以此来提高本发明对变化细节的灵敏程度并且降低SAR图像固有散斑噪声的影响，提高检测精度。
-
公开(公告)号：CN117173587A
公开(公告)日：2023-12-05
申请号：CN202311065026.X
申请日：2023-08-23
Applicant: 哈尔滨工程大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/094
Abstract: 本发明提出一种基于异构图像深度转换的特征细化融合变化检测方法。所述方法通过特征细化模块按照从粗到细的方式进行多级拼接，获取不同级别的时间差异特征，解决了简单拼接或逐像素做差的方法在变化检测任务中适应性差的问题；在特征融合模块中，采用U‑Net++对差异特征进行编解码，得到不同层次的特征，并进行融合，以更好地挖掘具有上下文变化信息的差异特征，同时滤除低层特征的背景杂波并纠正高层特征的位置误差。总体而言，该方法稳定可靠，具备良好的训练泛化性能，且算法简单易于实施。
-
-
-
Search Results
4
records
(took 0.018 seconds)
