-
公开(公告)号：CN119295954A
公开(公告)日：2025-01-10
申请号：CN202411825107.X
申请日：2024-12-12
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/096 , G06N3/045 , G06N3/0464 , G06V10/774 , G06N3/09 , G06N3/084
Abstract: 本发明属于遥感图像水冰分类技术领域，具体涉及基于双知识蒸馏的多光谱遥感图像的水冰分类方法及系统。方法包括步骤1，获取多光谱遥感图像并实施数据预处理；步骤2，构建冰湖提取无数据知识蒸馏网络，采取冰湖指数ILI作为第一教师模型，搭建U‑net网络作为第一学生模型，完成无数据的知识蒸馏；步骤3，构建冰湖提取无数据知识蒸馏框架；步骤4，构建水冰分类教师‑学生离线蒸馏网络，用于对提取冰湖后的图像进行水冰分类；步骤5，构建水冰分类知识蒸馏框架；步骤6，将遥感图像作为输入，通过步骤3的冰湖提取无数据知识蒸馏框架进行冰湖提取，再通过步骤5的水冰分类教师‑学生离线蒸馏框架进行水冰分类操作。
-
公开(公告)号：CN118537225B
公开(公告)日：2025-04-29
申请号：CN202410698994.2
申请日：2024-05-31
Applicant: 杭州电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06T3/4007 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于知识蒸馏的多光谱遥感图像超分辨率重建方法及系统，方法如下：步骤1：引入非重建光谱域中的高分辨率波段作为先验知识构建训练集。步骤2：构建教师‑学生离线蒸馏网络，其中教师网络复杂度高但重建质量好，学生网络轻量级且重建质量略低，二者网络架构相同但残差块数量不同；步骤3：将学生网络输出的超分辨率遥感图像分别与教师网络输出及标签计算损失，形成教师监督损失和数据监督损失，二者按权相加计算总损失。步骤4：通过总损失反向传播训练学生网络。步骤5：利用训练好的学生网络模型提升多光谱遥感图像的低分辨率波段至最高分辨率波段。本发明能够有效降低计算成本和模型复杂度，以更好地适应实际应用需求。
-
公开(公告)号：CN118537225A
公开(公告)日：2024-08-23
申请号：CN202410698994.2
申请日：2024-05-31
Applicant: 杭州电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06T3/4007 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于知识蒸馏的多光谱遥感图像超分辨率重建方法及系统，方法如下：步骤1：引入非重建光谱域中的高分辨率波段作为先验知识构建训练集。步骤2：构建教师‑学生离线蒸馏网络，其中教师网络复杂度高但重建质量好，学生网络轻量级且重建质量略低，二者网络架构相同但残差块数量不同；步骤3：将学生网络输出的超分辨率遥感图像分别与教师网络输出及标签计算损失，形成教师监督损失和数据监督损失，二者按权相加计算总损失。步骤4：通过总损失反向传播训练学生网络。步骤5：利用训练好的学生网络模型提升多光谱遥感图像的低分辨率波段至最高分辨率波段。本发明能够有效降低计算成本和模型复杂度，以更好地适应实际应用需求。
-
公开(公告)号：CN119295955A
公开(公告)日：2025-01-10
申请号：CN202411825108.4
申请日：2024-12-12
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/084 , G06N3/048 , G06T3/4053 , G06N3/04
Abstract: 本发明公开了基于KAN网络的水质参数遥感反演方法及系统，方法如下：1、获取设定区域实地探测的水质参数，按时间进行分类；2、获取多光谱遥感图像并预处理；3、构建KAN网络模型架构，输入为某一点处遥感图像的波段反射率，输出为该点处的水质参数，标签为水质参数的真实探测数据，损失函数为输出与标签的均方误差；4、将水质参数、波段反射率数据集作为训练集，用损失函数训练KAN网络；5、将待检测水质参数值的波段反射率输入训练好的KAN网络中，得到整个水域的水质参数值。本发明能够有效降低计算成本和模型复杂度，且可以对模型结果进行可解释性操作，以更好地适应实际应用需求。
-
-
-
Search Results
4
records
(took 0.018 seconds)
