-
公开(公告)号：CN119295756A
公开(公告)日：2025-01-10
申请号：CN202411812830.4
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种抗非对齐的SAR‑光学影像耦合对比融合建筑物分割方法。本发明包括以下步骤：构建建筑物遥感影像分割多模态数据集；构建抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；训练抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型结果获取。与现有技术相比，解决了现有方法在处理多模态图像对弱对齐问题时，注重严格的模态对齐从而忽略了模态间的差距。本发明通过偏移引导自适应特征对齐模块捕获最佳的对齐位置，从而实现模态间的自适应对齐。进一步通过多模态图像融合的耦合对比学习框架提取模态间的互补特征，从而减少融合结果的冗余信息，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN118864865A
公开(公告)日：2024-10-29
申请号：CN202411345013.2
申请日：2024-09-25
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/048
Abstract: 本发明涉及一种基于对比学习和多模态融合的遥感影像水体分割方法，与现有技术相比，解决了现有的方法在处理遥感影像水体分割问题时，分割性能严重依赖训练样本的数量及质量和忽视了不同模态之间的互补信息，从而导致分割结果的精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态的遥感影像数据集、构建基于对比学习和多模态融合的遥感影像水体分割模型、基于对比学习和多模态融合的遥感影像水体分割模型训练、水体分割结果获取。本发明充分利用了遥感影像中的多模态信息，通过对比学习提取各模态间的互补和对比特性，进一步通过多模态融合策略整合各模态信息，从而在规则化和优化水体分割的解空间，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN118279194A
公开(公告)日：2024-07-02
申请号：CN202410674163.1
申请日：2024-05-28
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于多尺度转换器和互惠的云检测与去除方法，所述方法包括以下步骤：获取光学遥感云检测与去除影像数据集；构建基于多尺度转换器的云检测与去除互惠模型；基于多尺度转换器的云检测与去除互惠模型训练；获取待处理有云光学遥感影像数据；获取待处理影像云检测与去除结果。与现有技术相比，通过挖掘云检测与云去除任务共享的遥感影像中的云特征，增强二者在特征提取方面的协同增益能力，从而有效区分云和类云地物；同时利用云检测和去除双任务之间的约束关系，进一步细化分割云掩膜，使得去云结果在保证非云覆盖区域信息无损的同时获得云覆盖区域缺失信息补偿。
-
Patent Agency Ranking
公开(公告)号：CN119295756B
公开(公告)日：2025-04-08
申请号：CN202411812830.4
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种抗非对齐的SAR‑光学影像耦合对比融合建筑物分割方法。本发明包括以下步骤：构建建筑物遥感影像分割多模态数据集；构建抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；训练抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型结果获取。与现有技术相比，解决了现有方法在处理多模态图像对弱对齐问题时，注重严格的模态对齐从而忽略了模态间的差距。本发明通过偏移引导自适应特征对齐模块捕获最佳的对齐位置，从而实现模态间的自适应对齐。进一步通过多模态图像融合的耦合对比学习框架提取模态间的互补特征，从而减少融合结果的冗余信息，保证分割结果的精度和鲁棒性。
-
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：CN118864865B
公开(公告)日：2024-11-29
申请号：CN202411345013.2
申请日：2024-09-25
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/048
Abstract: 本发明涉及一种基于对比学习和多模态融合的遥感影像水体分割方法，与现有技术相比，解决了现有的方法在处理遥感影像水体分割问题时，分割性能严重依赖训练样本的数量及质量和忽视了不同模态之间的互补信息，从而导致分割结果的精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态的遥感影像数据集、构建基于对比学习和多模态融合的遥感影像水体分割模型、基于对比学习和多模态融合的遥感影像水体分割模型训练、水体分割结果获取。本发明充分利用了遥感影像中的多模态信息，通过对比学习提取各模态间的互补和对比特性，进一步通过多模态融合策略整合各模态信息，从而在规则化和优化水体分割的解空间，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN118279194B
公开(公告)日：2024-08-16
申请号：CN202410674163.1
申请日：2024-05-28
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于多尺度转换器和互惠的云检测与去除方法，所述方法包括以下步骤：获取光学遥感云检测与去除影像数据集；构建基于多尺度转换器的云检测与去除互惠模型；基于多尺度转换器的云检测与去除互惠模型训练；获取待处理有云光学遥感影像数据；获取待处理影像云检测与去除结果。与现有技术相比，通过挖掘云检测与云去除任务共享的遥感影像中的云特征，增强二者在特征提取方面的协同增益能力，从而有效区分云和类云地物；同时利用云检测和去除双任务之间的约束关系，进一步细化分割云掩膜，使得去云结果在保证非云覆盖区域信息无损的同时获得云覆盖区域缺失信息补偿。
-
公开(公告)号：CN118967527A
公开(公告)日：2024-11-15
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。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
