-
公开(公告)号:CN115049941A
公开(公告)日:2022-09-13
申请号:CN202210738442.0
申请日:2022-06-27
Applicant: 无锡学院
Abstract: 本发明公开了一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法,该方法构建并训练ShuffleNet卷积神经网络,获取图像数据集并将图像数据集中的数据划分为训练集和测试集,对图像数据集进行预处理,并裁剪成分辨率为224×224的图像,将裁剪后的图像输入到Conv1层进行卷积运算,并对训练集中的图像进行特征提取,将特征提取后的图像输入到最大重叠池化层,将最大重叠池化层处理后的图像输入到ShuffleNet V2网络组成的三个阶段中,将第三个阶段输出的图像依次输入到Conv5层、SE模块、全局平均池化层、全连接层中,得到训练好的ShuffleNet卷积神经网络,将测试集输入至训练好的ShuffleNet卷积神经网络,得到图像分类结果。本发明可以有效地减少网络的内存占用量,有着较好的分类准确率。
-
公开(公告)号:CN119068352A
公开(公告)日:2024-12-03
申请号:CN202411105189.0
申请日:2024-08-12
Applicant: 无锡学院
IPC: G06V20/13 , G06V10/774 , G06V10/75 , G06V10/82
Abstract: 本发明公开了一种基于PAP‑UNet++网络的遥感图像变化检测方法,涉及遥感图像处理技术领域,包括如下步骤:首先对原始数据集进行预处理,将训练集图像统一缩放为512×512大小的图像块作为输入,在编码器阶段利用混合空洞卷积模块实现逐级提取多尺度特征并进行下采样操作,在解码器阶段插入并行空洞金字塔模块以提升模型对全局上下文特征的捕获能力,此外,在同层级的跳跃连接过程中引入CBAM注意力机制从而提高对变化区域的识别与区分能力,最终生成与输入尺寸一致的像素级分类预测结果,通过上述方法能够有效地解决网络对多尺度特征信息利用不足的问题,准确地检测变化细节信息。
-