-
公开(公告)号：CN113657232A
公开(公告)日：2021-11-16
申请号：CN202110911051.X
申请日：2021-08-10
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提供了一种基于风格内容解耦的跨域遥感图像目标检测方法。本发明的端到端训练的跨域遥感图像目标检测方法利用了自适应实例归一化的方式获得多域图像，并且进一步将解耦获得的内容特征编码送入目标检测网络来进行目标检测。本方法对于不同域的遥感图像有较好的泛化性，可以得到理想的目标检测结果。
-
公开(公告)号：CN113610732A
公开(公告)日：2021-11-05
申请号：CN202110911218.2
申请日：2021-08-10
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提供了一种基于交互对抗学习的全聚焦图像生成方法。本发明的全聚焦图像生成方法利用了交互对抗学习的方式，首先利用了非聚焦模糊检测任务与边缘检测任务的互补关系，更好地定位聚焦到非聚焦过渡区域的边界和检测纹理信息较少的同质区域；其次，目前常见的方法大多需要成对的非聚焦图像及其对应的全聚焦真值图像，而这种成对的图像难以获得。而本发明的方法不存在这个问题，仅利用不成对的全聚焦图像作参考，便可以实现具有全局一致性的、自然的全聚焦图像生成网络。
-
公开(公告)号：CN113657232B
公开(公告)日：2024-09-27
申请号：CN202110911051.X
申请日：2021-08-10
Applicant: 大连理工大学
IPC: G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，提供了一种基于风格内容解耦的跨域遥感图像目标检测方法。本发明的端到端训练的跨域遥感图像目标检测方法利用了自适应实例归一化的方式获得多域图像，并且进一步将解耦获得的内容特征编码送入目标检测网络来进行目标检测。本方法对于不同域的遥感图像有较好的泛化性，可以得到理想的目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN113887504B
公开(公告)日：2023-03-24
申请号：CN202111232231.1
申请日：2021-10-22
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0895 , G06N3/09
Abstract: 本发明属于图像信息处理技术领域，针对提升遥感网络准确度和泛化性的问题，提供了一种强泛化性的遥感图像目标识别方法。使用特征提取主干与多个预测分支的结构。在对有监督的数据进行训练时，我们将不同预测分支的特征通过余弦相似度的方式进行分离增加多样性，在后续的训练过程中获取无监督图像的真值，使最终的预测准确度和泛化性均得到提升。本发明的遥感图像目标识别泛化性增强方法，利用了半监督的方法通过大量无标签数据的训练增强网络特征提取能力，目前存在的蒸馏方法不能有效解决训练网络泛化性低的问题，本发明的一致性轮次学习方法有效的解决了这个问题，本发明方法能够提升识别网络的准确度和泛化性。
-
公开(公告)号：CN113610045B
公开(公告)日：2023-01-06
申请号：CN202110961137.3
申请日：2021-08-20
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提供了一种深度特征集成学习的遥感图像目标识别泛化性方法。该方法适用于不同种类的输入源图像，均可以得到较好的预测结果。它在网络结构中使用多个子分支预测得到多个输出特征，并使用余弦相似度控制这些输出特征的多样性，实现模型的多样性；为了能够从所得的集成特征中进一步选择所需的特征，它使用一个自适应选择网络对特征进行筛选。本发明的方法充分利用遥感图像深度特征的不同表达，如色调，对比度，饱和度，图像质量/分辨率等，设计基于门控的自适应集成架构得到用于遥感图像目标识别的具有泛化性的网络模型。
-
公开(公告)号：CN113610732B
公开(公告)日：2024-02-09
申请号：CN202110911218.2
申请日：2021-08-10
Applicant: 大连理工大学
IPC: G06T5/70 , G06T7/13 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，提供了一种基于交互对抗学习的全聚焦图像生成方法。本发明的全聚焦图像生成方法利用了交互对抗学习的方式，首先利用了非聚焦模糊检测任务与边缘检测任务的互补关系，更好地定位聚焦到非聚焦过渡区域的边界和检测纹理信息较少的同质区域；其次，目前常见的方法大多需要成对的非聚焦图像及其对应的全聚焦真值图像，而这种成对的图像难以获得。而本发明的方法不存在这个问题，仅利用不成对的全聚焦图像作参考，便可以实现具有全局一致性的、自然的全聚焦图像生成网络。
-
公开(公告)号：CN113887504A
公开(公告)日：2022-01-04
申请号：CN202111232231.1
申请日：2021-10-22
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，针对提升遥感网络准确度和泛化性的问题，提供了一种强泛化性的遥感图像目标识别方法。使用特征提取主干与多个预测分支的结构。在对有监督的数据进行训练时，我们将不同预测分支的特征通过余弦相似度的方式进行分离增加多样性，在后续的训练过程中获取无监督图像的真值，使最终的预测准确度和泛化性均得到提升。本发明的遥感图像目标识别泛化性增强方法，利用了半监督的方法通过大量无标签数据的训练增强网络特征提取能力，目前存在的蒸馏方法不能有效解决训练网络泛化性低的问题，本发明的一致性轮次学习方法有效的解决了这个问题，本发明方法能够提升识别网络的准确度和泛化性。
-
公开(公告)号：CN113610045A
公开(公告)日：2021-11-05
申请号：CN202110961137.3
申请日：2021-08-20
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提供了一种深度特征集成学习的遥感图像目标识别泛化性方法。该方法适用于不同种类的输入源图像，均可以得到较好的预测结果。它在网络结构中使用多个子分支预测得到多个输出特征，并使用余弦相似度控制这些输出特征的多样性，实现模型的多样性；为了能够从所得的集成特征中进一步选择所需的特征，它使用一个自适应选择网络对特征进行筛选。本发明的方法充分利用遥感图像深度特征的不同表达，如色调，对比度，饱和度，图像质量/分辨率等，设计基于门控的自适应集成架构得到用于遥感图像目标识别的具有泛化性的网络模型。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
