-
公开(公告)号：CN119559403A
公开(公告)日：2025-03-04
申请号：CN202510132150.6
申请日：2025-02-06
Applicant: 无锡学院
IPC: G06V10/26 , G06V10/52 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供了一种基于多尺度深度监督的高分辨遥感图像语义分割方法，包括以下步骤：步骤1，获取ISPRS Potsdam数据集和Vaihingen数据集；步骤2，搭建多尺度深度监督网络MDSNet，包括空间分支、语义分支网络和多尺度特征聚合部分；所述空间分支、语义分支网络和多尺度特征聚合部分均为四层结构；步骤3，将训练集输入至多尺度深度监督网络MDSNet中训练，计算损失函数并进行反向传播，更新网络参数，获取训练好的参数模型；步骤4，将测试集输入到训练好的参数模型中，输出目标图像的分割图。本发明提出的方法在提高特征提取能力的同时，提高了语义分割的准确率，以及训练效率和稳定性。
-
公开(公告)号：CN119559403B
公开(公告)日：2025-05-13
申请号：CN202510132150.6
申请日：2025-02-06
Applicant: 无锡学院
IPC: G06V10/26 , G06V10/52 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供了一种基于多尺度深度监督的高分辨遥感图像语义分割方法，包括以下步骤：步骤1，获取ISPRS Potsdam数据集和Vaihingen数据集；步骤2，搭建多尺度深度监督网络MDSNet，包括空间分支、语义分支网络和多尺度特征聚合部分；所述空间分支、语义分支网络和多尺度特征聚合部分均为四层结构；步骤3，将训练集输入至多尺度深度监督网络MDSNet中训练，计算损失函数并进行反向传播，更新网络参数，获取训练好的参数模型；步骤4，将测试集输入到训练好的参数模型中，输出目标图像的分割图。本发明提出的方法在提高特征提取能力的同时，提高了语义分割的准确率，以及训练效率和稳定性。
-
公开(公告)号：CN119559200B
公开(公告)日：2025-04-11
申请号：CN202510132147.4
申请日：2025-02-06
Applicant: 无锡学院
IPC: G06T7/11 , G06T7/194 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种基于频域信息融合的超高分辨率遥感图像分割方法，包括：步骤1，获取Vaihingen、Potsdam遥感数据集；步骤2，搭建融合多元频域信息的超高分辨率遥感图像分割网络；步骤3，将Vaihingen训练集输入超高分辨率遥感图像分割网络中训练，获取最佳参数模型；步骤4，将Vaihingen测试集输入到最佳参数模型中，输出遥感图像的精确分割图；步骤5，将数据集更换为Potsdam训练集、Potsdam验证集和Potsdam测试集，重复步骤3~步骤4的操作。本发明的模型通过引入LKResNet‑18网络，提高了局部分支的感受野和特征表示能力。
-
公开(公告)号：CN119205581A
公开(公告)日：2024-12-27
申请号：CN202411697443.0
申请日：2024-11-26
Applicant: 无锡学院
IPC: G06T5/77 , G06N3/0455 , G06N3/0464 , G06T5/60
Abstract: 本发明公开了基于局部‑全局特征增强的合成孔径光学图像复原方法，包括：获取合成孔径光学图像数据集并仿真退化，得到仿真退化数据集，进而划分得到训练、验证和测试集；构建合成孔径光学图像复原网络；将训练和验证集输入合成孔径光学图像复原网络中进行训练，计算损失函数并进行反向传播，更新网络参数，获取训练好的最佳参数模型；将测试集输入训练好的最佳参数模型中，得到合成孔径光学复原图像。本发明利用LAG‑Transformer层对提取特征序列进行全局信息关注，减少序列长度，提取高级语义信息，利用GRM‑Convolution层、ASFE层关注特征的局部信息，弥补了Transformer对局部信息捕捉能力的不足。
-
Patent Agency Ranking
公开(公告)号：CN119559200A
公开(公告)日：2025-03-04
申请号：CN202510132147.4
申请日：2025-02-06
Applicant: 无锡学院
IPC: G06T7/11 , G06T7/194 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种基于频域信息融合的超高分辨率遥感图像分割方法，包括：步骤1，获取Vaihingen、Potsdam遥感数据集；步骤2，搭建融合多元频域信息的超高分辨率遥感图像分割网络；步骤3，将Vaihingen训练集输入超高分辨率遥感图像分割网络中训练，获取最佳参数模型；步骤4，将Vaihingen测试集输入到最佳参数模型中，输出遥感图像的精确分割图；步骤5，将数据集更换为Potsdam训练集、Potsdam验证集和Potsdam测试集，重复步骤3~步骤4的操作。本发明的模型通过引入LKResNet‑18网络，提高了局部分支的感受野和特征表示能力。
-
公开(公告)号：CN119313583A
公开(公告)日：2025-01-14
申请号：CN202411373397.9
申请日：2024-09-29
Applicant: 无锡学院
Abstract: 本申请公开了一种基于双分支特征融合的图像去噪方法，具体为：步骤1：进行图像收集，并对收集的图像进行预处理；步骤2：搭建双分支特征融合的去噪网络，该网络包括生成网络和判别网络，将生成网络生成的去噪图像和真实的图像通过判别网络进行真假判别；步骤3：对生成网络和判别网络进行对抗训练，得到训练好的双分支特征融合的去噪网络；步骤4：采用训练好的生成网络对图像进行去噪处理。本方法在去噪质量、模型泛化能力和运算时间上均显著优于传统去噪方法，能够有效去除不同类型的噪声，保留更多图像细节和结构信息。
-
公开(公告)号：CN119494961A
公开(公告)日：2025-02-21
申请号：CN202510059627.2
申请日：2025-01-15
Applicant: 无锡学院
IPC: G06V10/26 , G06V10/80 , G06V10/774 , G06V20/10 , G06N3/0464
Abstract: 本发明公开了一种高分辨率遥感图像双分支分割方法，包括：获取高分辨率遥感图像数据集并预处理后，划分为训练集、验证集和测试集；构建高分辨率遥感图像语义分割网络模型，包括细节分支、语义分支以及上采样部分；将训练集输入至高分辨率遥感图像语义分割网络模型中进行训练，计算损失函数并反向传播，更新网络模型参数，获取最佳参数网络模型，并利用验证集对最佳参数网络模型进行验证；将测试集输入到训练好的最佳参数网络模型中，输出高分辨率遥感图像的精确分割图。本发明通过捕获高分辨率遥感图像中不同类型和尺度的目标信息，多层次、多尺度进行特征提取与融合，从而提高高分辨率遥感图像的分割精度。
-
公开(公告)号：CN119360200A
公开(公告)日：2025-01-24
申请号：CN202411381809.3
申请日：2024-09-30
Applicant: 无锡学院
IPC: G06V20/10 , G06V10/764 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于注意力机制和加伯变换的目标检测方法，设计了一种注意力特征提取模块AFEM，基于ELAN特征提取网络和CBAM注意力机制的注意力特征提取模块，使得网络在进行高效特征提取的同时，能重点关注飞机目标，减少复杂的背景信息带来的干扰；采用分数阶加伯滤波器变换卷积FGTC模块来强化飞机目标的纹理、尺度和方向特征，加强飞机目标的边缘特征细节，为网络提供更加丰富的特征信息；引入LDyHead动态检测头作为网络头部，通过尺度感知注意力、空间感知注意力和任务感知注意力相结合，使网络在面对多尺度飞机目标时能更精准地预测飞机目标位置和类别，并提升模型的收敛速度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
