-
公开(公告)号:CN117934975B
公开(公告)日:2024-06-07
申请号:CN202410328183.3
申请日:2024-03-21
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/30 , G06V10/762 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明涉及一种全变分正则引导图卷积的无监督高光谱图像分类方法。与现有技术相比解决了在无标签情况下对复杂场景高光谱图像难以准确分类的问题。本发明包括以下步骤:基于相对全变分的高光谱图像去噪预处理;构建全变分正则引导图卷积模块和空谱自编码器模块的联合模型;训练全变分正则引导图卷积模块和空谱自编码器模块的联合模型;高光谱图像无监督分类结果的获得。该方法旨在解决高光谱图像分类中样本标签缺乏的问题,通过利用全变分正则项,促使图卷积网络在学习过程中保持图像空间的平滑性和一致性,并利用空谱自编码器模块提取空谱局部上下文信息,使得模型能够在复杂的无监督分类任务中保持鲁棒性和泛化性。
-
公开(公告)号:CN119418176B
公开(公告)日:2025-04-08
申请号:CN202510014546.0
申请日:2025-01-06
Applicant: 安徽大学
IPC: G06V20/00 , G06V10/42 , G06V10/44 , G06V10/25 , G06V10/74 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种结合CNN曼巴的对比预训练云检测方法,所述方法包括以下步骤:构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比,CNN方法能提取图像的局部特征,曼巴方法能提取图像的全局特征,结合CNN和曼巴方法既可以留意图像中云的边缘细节,又能从整幅图像上看到云的区域,提高云检测的精度。同时利用云雪数据对网络进行预训练,让网络区分云和雪之间的差异,在后续微调阶段不会把雪错分成云,实现更精准的云检测任务。
-
公开(公告)号:CN118038086B
公开(公告)日:2024-06-25
申请号:CN202410430415.6
申请日:2024-04-11
Applicant: 安徽大学
IPC: G06V10/52 , G06N3/0464 , G06N3/09 , G06V10/82 , G06V10/88
Abstract: 本发明涉及一种基于多尺度和深度监督耦合增益的SAR转光学图像方法,所述方法包括以下步骤:获取成对光学遥感影像和SAR影像数据集;构建基于多尺度和深度监督耦合增益的SAR转光学图像模型;基于多尺度和深度监督耦合增益的SAR转光学图像模型训练;获取待翻译SAR影像数据;获取SAR影像翻译成光学影像结果。与现有技术相比,通过构建多层次的SAR转光学图像模型,充分利用不同尺度下SAR的图像特征的一致性与互补性,保证每一层的图像翻译都是有方向的;同时本发明对每种尺度下的翻译结果进行深度监督,对聚合的多尺度特征进行有效过滤;在二者的协同作用下,最终实现局部纹理保持和全局色调一致的SAR转光学图像。
-
公开(公告)号:CN118967527B
公开(公告)日:2025-01-24
申请号:CN202411443444.2
申请日:2024-10-16
Applicant: 安徽大学
IPC: G06T5/77 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种物理模型引导和曼巴结合的云去除方法,所述方法包括以下步骤:构建光学遥感云去除数据集;基于物理模型引导的云分布显著图区域划分;基于曼巴的云去除模型构建与模型参数训练;获取待处理有云光学遥感影像数据;云去除性能验证。与现有技术相比,利用显著图计算辅助分析云覆盖遥感影像受云雾干扰的程度,引导云去除模型进行针对性的参数调整,以增强模型在特定区域对信息恢复的敏感性。同时基于具有高效全局特征提取能力的曼巴状态空间模型构建云去除模型,实现薄云和厚云区域缺失信息的恢复。在薄云和厚云共存情况下,保证云去除结果在薄云区域不过度校正,厚云区域得到充分填充与优化。
-
公开(公告)号:CN117934978B
公开(公告)日:2024-06-11
申请号:CN202410330740.5
申请日:2024-03-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06V20/10
Abstract: 本发明涉及一种基于对抗学习的高光谱和激光雷达多层融合分类方法,与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤:高光谱和激光雷达数据的特征提取;多注意力的对抗性学习;多层次特征融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征,但是,很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点,提出用三支路提取数据特征,利用对抗性网络学习无标签数据的特征,并采用多注意力层次融合多模态特征进入分类网络,有效地解决了多模态数据融合分类问题,提高了分类的准确性和效率。
-
公开(公告)号:CN118038086A
公开(公告)日:2024-05-14
申请号:CN202410430415.6
申请日:2024-04-11
Applicant: 安徽大学
IPC: G06V10/52 , G06N3/0464 , G06N3/09 , G06V10/82 , G06V10/88
Abstract: 本发明涉及一种基于多尺度和深度监督耦合增益的SAR转光学图像方法,所述方法包括以下步骤:获取成对光学遥感影像和SAR影像数据集;构建基于多尺度和深度监督耦合增益的SAR转光学图像模型;基于多尺度和深度监督耦合增益的SAR转光学图像模型训练;获取待翻译SAR影像数据;获取SAR影像翻译成光学影像结果。与现有技术相比,通过构建多层次的SAR转光学图像模型,充分利用不同尺度下SAR的图像特征的一致性与互补性,保证每一层的图像翻译都是有方向的;同时本发明对每种尺度下的翻译结果进行深度监督,对聚合的多尺度特征进行有效过滤;在二者的协同作用下,最终实现局部纹理保持和全局色调一致的SAR转光学图像。
-
公开(公告)号:CN117934978A
公开(公告)日:2024-04-26
申请号:CN202410330740.5
申请日:2024-03-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06V20/10
Abstract: 本发明涉及一种基于对抗学习的高光谱和激光雷达多层融合分类方法,与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤:高光谱和激光雷达数据的特征提取;多注意力的对抗性学习;多层次特征融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征,但是,很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点,提出用三支路提取数据特征,利用对抗性网络学习无标签数据的特征,并采用多注意力层次融合多模态特征进入分类网络,有效地解决了多模态数据融合分类问题,提高了分类的准确性和效率。
-
公开(公告)号:CN117934975A
公开(公告)日:2024-04-26
申请号:CN202410328183.3
申请日:2024-03-21
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/30 , G06V10/762 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明涉及一种全变分正则引导图卷积的无监督高光谱图像分类方法。与现有技术相比解决了在无标签情况下对复杂场景高光谱图像难以准确分类的问题。本发明包括以下步骤:基于相对全变分的高光谱图像去噪预处理;构建全变分正则引导图卷积模块和空谱自编码器模块的联合模型;训练全变分正则引导图卷积模块和空谱自编码器模块的联合模型;高光谱图像无监督分类结果的获得。该方法旨在解决高光谱图像分类中样本标签缺乏的问题,通过利用全变分正则项,促使图卷积网络在学习过程中保持图像空间的平滑性和一致性,并利用空谱自编码器模块提取空谱局部上下文信息,使得模型能够在复杂的无监督分类任务中保持鲁棒性和泛化性。
-
公开(公告)号:CN119418176A
公开(公告)日:2025-02-11
申请号:CN202510014546.0
申请日:2025-01-06
Applicant: 安徽大学
IPC: G06V20/00 , G06V10/42 , G06V10/44 , G06V10/25 , G06V10/74 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种结合CNN曼巴的对比预训练云检测方法,所述方法包括以下步骤:构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比,CNN方法能提取图像的局部特征,曼巴方法能提取图像的全局特征,结合CNN和曼巴方法既可以留意图像中云的边缘细节,又能从整幅图像上看到云的区域,提高云检测的精度。同时利用云雪数据对网络进行预训练,让网络区分云和雪之间的差异,在后续微调阶段不会把雪错分成云,实现更精准的云检测任务。
-
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。
-
-
-
-
-
-
-
-
-