-
公开(公告)号：CN119295952B
公开(公告)日：2025-04-08
申请号：CN202411812834.2
申请日：2024-12-10
Applicant: 安徽大学
Abstract: 本发明涉及一种空间对齐和因果交互的高光谱激光雷达协同分类方法，与现有技术相比，解决了现有的方法在进行高光谱激光雷达协同分类过程中，由于未考虑多模态图像由于拍摄过程、成像机制等引起的空间错位及模态差异，从而导致了分类精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态遥感影像数据集、构建空间对齐和因果交互的高光谱激光雷达协同分类模型、空间对齐和因果交互的高光谱激光雷达协同分类模型训练、图像分类结果获取。本发明通过预测空间偏移量实现多模态图像精确对齐，并且运用因果交互机制区分模态的因果与非因果因素，有效剔除模态特性干扰，确保高光谱激光雷达协同分类结果的精准度与鲁棒性。
-
公开(公告)号：CN119295952A
公开(公告)日：2025-01-10
申请号：CN202411812834.2
申请日：2024-12-10
Applicant: 安徽大学
Abstract: 本发明涉及一种空间对齐和因果交互的高光谱激光雷达协同分类方法，与现有技术相比，解决了现有的方法在进行高光谱激光雷达协同分类过程中，由于未考虑多模态图像由于拍摄过程、成像机制等引起的空间错位及模态差异，从而导致了分类精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态遥感影像数据集、构建空间对齐和因果交互的高光谱激光雷达协同分类模型、空间对齐和因果交互的高光谱激光雷达协同分类模型训练、图像分类结果获取。本发明通过预测空间偏移量实现多模态图像精确对齐，并且运用因果交互机制区分模态的因果与非因果因素，有效剔除模态特性干扰，确保高光谱激光雷达协同分类结果的精准度与鲁棒性。
-
公开(公告)号：CN119007024B
公开(公告)日：2025-01-24
申请号：CN202411495255.X
申请日：2024-10-24
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/58 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种多模自监督混合曼巴的高光谱影像分类方法，所述方法包括以下步骤：多模自监督混合曼巴的高光谱影像分类数据集处理、构建结合CNN和Mamba的高光谱影像分类网络、基于自监督的高光谱影像分类网络的无标签预训练、基于CLIP的多模态高光谱影像分类模型的训练、对多模态高光谱影像分类模型进行测试。与现有技术相比，结合CNN和Mamba提取空谱特征，有利于实现精准的高光谱图像分类，并通过自监督学习方法对模型进行预训练，无需标注的数据，让模型能够自行识别不同场景下的高光谱图像，提高了模型的泛化能力，同时，基于CLIP模型能够实现多模态的高光谱图像分类。
-
公开(公告)号：CN119007024A
公开(公告)日：2024-11-22
申请号：CN202411495255.X
申请日：2024-10-24
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/58 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种多模自监督混合曼巴的高光谱影像分类方法，所述方法包括以下步骤：多模自监督混合曼巴的高光谱影像分类数据集处理、构建结合CNN和Mamba的高光谱影像分类网络、基于自监督的高光谱影像分类网络的无标签预训练、基于CLIP的多模态高光谱影像分类模型的训练、对多模态高光谱影像分类模型进行测试。与现有技术相比，结合CNN和Mamba提取空谱特征，有利于实现精准的高光谱图像分类，并通过自监督学习方法对模型进行预训练，无需标注的数据，让模型能够自行识别不同场景下的高光谱图像，提高了模型的泛化能力，同时，基于CLIP模型能够实现多模态的高光谱图像分类。
-
-
-
Search Results
4
records
(took 0.014 seconds)
