-
公开(公告)号：CN115272880B
公开(公告)日：2023-03-31
申请号：CN202210905640.1
申请日：2022-07-29
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明属于计算机视觉图像信息处理技术领域，一种基于度量学习的多模态遥感目标识别方法。本发明的方法重新考虑了图像风格与深度模型泛化性之间的关系，并进一步提出了一种独特的端到端的三重风格内容度量网络，该网络可以减少域泛化问题的不利影响，提高深度模型的泛化能力。具体来说，分离输入图像的风格和内容，然后对用风格转换模块替换的风格特征施加约束，以迫使我们的模型学习与内容有关与风格无关的有判别力的特征。本发明利用三重度量学习的方法，增强了遥感目标别模型提取特征的能力。目前存在的遥感目标识别方法仅对一种域的数据集有良好的效果，对未知域的表现很差。本发明的方法解决了这一问题，使模型对不同域数据集均具有泛化性。
-
公开(公告)号：CN115223057A
公开(公告)日：2022-10-21
申请号：CN202210920610.8
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，提供了一种多模态遥感图像联合学习的目标检测统一模型。本发明利用一个模型应对两种模态的图像，并且均可以获得良好的检测效果。本发明通过对比学习的方式让模型可以整合两种模态的目标信息从而形成一个多模态统一的检测网络。本发明的方法不存在这个问题，对于任一模态下的图像均可以做出有效的检测，并且对比学习仅在训练过程中开展，训练完毕后在测试阶段并没有增加额外的计算量。
-
公开(公告)号：CN116385890A
公开(公告)日：2023-07-04
申请号：CN202210905706.7
申请日：2022-07-29
Applicant: 大连理工大学 , 辽宁师范大学 , 山东纬横数据科技有限公司 , 中国船舶集团有限公司第七0九研究所
IPC: G06V20/13 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，公开了一种特征分而治之的遥感图像目标识别方法。本方法在将特征学习与分类学习解耦的基础上，首先将多数类和少数类的特征空间分离，再在各自的特征空间中学习具体的类边界，以“分而治之”的方式降低多数类和少数类之间的相互影响。本方法也可以直接嵌入到其他受长尾问题影响的与分类相关的视觉任务中，并且可以起到良好的分类效果。同时本方法对于其他分类有关的视觉任务都具有良好的泛化性，可以作为长尾问题的一种有效的解决方案。
-
公开(公告)号：CN115222600A
公开(公告)日：2022-10-21
申请号：CN202210904585.4
申请日：2022-07-29
Applicant: 大连理工大学 , 辽宁师范大学 , 山东纬横数据科技有限公司 , 中国船舶集团有限公司第七0九研究所
Abstract: 本发明属于计算机视觉的图像处理领域，公开了一种本发明的对比学习多光谱图像超分辨重建方法。该方法的模型分为两个部分：教师模型部分和学生模型部分。教师模型用于输出遥感图像的细节特征，以便给学生模型作为监督，使学生模型能够得到图像的细节信息，从而增加图像的分辨率。此外，在学生模型中增加对比学习模块，将最终输出与真值高分辨图像作为正样本对，将输出与原始输入作为负样本对，使输出更接近高分辨率图像。本发明利用对比学习以及超分辨重建的方法，实现了低分辨率遥感图像转化为高分辨率的清晰遥感图像。同时本方法对于其他图像质量提升有关的视觉任务都具有良好的泛化性，可以作为图像质量提升问题的一种有效的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN115222600B
公开(公告)日：2023-04-07
申请号：CN202210904585.4
申请日：2022-07-29
Applicant: 大连理工大学 , 辽宁师范大学 , 山东纬横数据科技有限公司 , 中国船舶集团有限公司第七0九研究所
Abstract: 本发明属于计算机视觉的图像处理领域，公开了一种本发明的对比学习多光谱图像超分辨重建方法。该方法的模型分为两个部分：教师模型部分和学生模型部分。教师模型用于输出遥感图像的细节特征，以便给学生模型作为监督，使学生模型能够得到图像的细节信息，从而增加图像的分辨率。此外，在学生模型中增加对比学习模块，将最终输出与真值高分辨图像作为正样本对，将输出与原始输入作为负样本对，使输出更接近高分辨率图像。本发明利用对比学习以及超分辨重建的方法，实现了低分辨率遥感图像转化为高分辨率的清晰遥感图像。同时本方法对于其他图像质量提升有关的视觉任务都具有良好的泛化性，可以作为图像质量提升问题的一种有效的解决方案。
-
公开(公告)号：CN115272880A
公开(公告)日：2022-11-01
申请号：CN202210905640.1
申请日：2022-07-29
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明属于计算机视觉图像信息处理技术领域，一种基于度量学习的多模态遥感目标识别方法。本发明的方法重新考虑了图像风格与深度模型泛化性之间的关系，并进一步提出了一种独特的端到端的三重风格内容度量网络，该网络可以减少域泛化问题的不利影响，提高深度模型的泛化能力。具体来说，分离输入图像的风格和内容，然后对用风格转换模块替换的风格特征施加约束，以迫使我们的模型学习与内容有关与风格无关的有判别力的特征。本发明利用三重度量学习的方法，增强了遥感目标别模型提取特征的能力。目前存在的遥感目标识别方法仅对一种域的数据集有良好的效果，对未知域的表现很差。本发明的方法解决了这一问题，使模型对不同域数据集均具有泛化性。
-
公开(公告)号：CN115223057B
公开(公告)日：2023-04-07
申请号：CN202210920610.8
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，提供了一种多模态遥感图像联合学习的目标检测统一模型。本发明利用一个模型应对两种模态的图像，并且均可以获得良好的检测效果。本发明通过对比学习的方式让模型可以整合两种模态的目标信息从而形成一个多模态统一的检测网络。本发明的方法不存在这个问题，对于任一模态下的图像均可以做出有效的检测，并且对比学习仅在训练过程中开展，训练完毕后在测试阶段并没有增加额外的计算量。
-
公开(公告)号：CN115272881B
公开(公告)日：2023-03-21
申请号：CN202210920420.6
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明属于图像信息处理技术领域，提供了一种动态关系蒸馏的长尾遥感图像目标识别方法。使用两个教师网络和一个学生网络来实现，三个网络结构相同。两个教师模型分别学习头部类和尾部类的各自的特征分布，以避免因为数据集分布不平衡导致的网络学习的倾斜问题，学生网络则通过学习两个教师网络的分类能力，从而在整个数据集上有较好的性能，提高分类的准确度。本发明的动态关系蒸馏学习方法，利用蒸馏思想，将教师网络更好的特征表达能力通过中心特征蒸馏给学生，同时学生网络动态更新中心特征，以学习到更好的特征提取能力。本发明利用长尾数据的特点，来改善因长尾问题导致的图像分类能力倾向于头部类的问题，能够提高网络分类的准确度。
-
公开(公告)号：CN115272881A
公开(公告)日：2022-11-01
申请号：CN202210920420.6
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明属于图像信息处理技术领域，提供了一种动态关系蒸馏的长尾遥感图像目标识别方法。使用两个教师网络和一个学生网络来实现，三个网络结构相同。两个教师模型分别学习头部类和尾部类的各自的特征分布，以避免因为数据集分布不平衡导致的网络学习的倾斜问题，学生网络则通过学习两个教师网络的分类能力，从而在整个数据集上有较好的性能，提高分类的准确度。本发明的动态关系蒸馏学习方法，利用蒸馏思想，将教师网络更好的特征表达能力通过中心特征蒸馏给学生，同时学生网络动态更新中心特征，以学习到更好的特征提取能力。本发明利用长尾数据的特点，来改善因长尾问题导致的图像分类能力倾向于头部类的问题，能够提高网络分类的准确度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
