-
公开(公告)号：CN118918459A
公开(公告)日：2024-11-08
申请号：CN202410903675.0
申请日：2024-07-08
Applicant: 武汉大学
Abstract: 本发明公开了一种基于非监督多视角图对比学习的高光谱遥感图像分类方法，首先将获取的高光谱遥感图像X进行数据预处理，得到超像素和对应的标签，分割矩阵；然后根据分割矩阵，从多视角角度分别建立空间邻接矩阵和光谱邻接矩阵，得到多视图；最后将多视图输入到自适应数据增强模块中，得到深层特征用于分类；本发明充分利用非监督的深度对比学习进行影像分类，结合了图构建的多视角形式，充分考虑了样本的多种表示，全面的考虑特征的各个层次，提高了分类精度。
-
公开(公告)号：CN119810657A
公开(公告)日：2025-04-11
申请号：CN202411875850.6
申请日：2024-12-19
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明公开一种非监督双掩码图自编码器特征提取的高光谱影像分类方法，包括如下步骤：步骤1，获取高光谱遥感图像；步骤2，对高光谱遥感影像进行数据预处理，得到基于空间‑光谱信息构建的初始图；步骤3，从所述初始图导出节点分支和边分支，借助图掩码自编码器构建双分支图掩码‑重构结构来进行特征处理，所述图掩码自编码器的编码器用于基于跳跃连接的多级GCN‑Transformer并联编码器结构，来提取图结构的局部和全局信息特征；步骤4，将图掩码自编码器中编码器最后一层提取的图结构的特征转换为像素特征，将像素特征用于监督分类模型分类；本发明有着精度高、效率高的优点。
-
公开(公告)号：CN119810656A
公开(公告)日：2025-04-11
申请号：CN202411875848.9
申请日：2024-12-19
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于动态标记增强mamba的高光谱图像跨场景分类方法，包括如下步骤：将获取的目标域图像输入训练后的分类模型，输出目标域图像的预测类别；其中，分类模型的训练包括：步骤1：将源域图像样本按顺序在空间维度上展开为块状序列数据，并通过块嵌入层添加位置编码和光谱维度投影；步骤2：对投影后得到的数据的特征进行动态标记增强；步骤3：对动态标记增强后的特征进行提取；步骤4：重复N次步骤2和步骤3；步骤5：通过分类器头对最终提取的特征进行分类，获得各特征对应样本的预测概率，并计算分类补偿损失，利用分类补偿损失作为反馈信号来调整分类器参数；本发明有着泛化能力好、分类精度高、效率高的优点。
-
公开(公告)号：CN118864959A
公开(公告)日：2024-10-29
申请号：CN202410899196.6
申请日：2024-07-05
Applicant: 武汉大学
IPC: G06V10/764 , G06V20/10 , G06V10/82 , G06V10/774 , G06V10/58 , G06V20/70 , G06V10/77 , G06N3/042 , G06N3/045 , G06N3/0895 , G06N3/09 , G06N3/088
Abstract: 本发明公开了一种基于通用知识嵌入对比学习的高光谱图像分类方法及系统，通过将高光谱图像按维度分割、降维，输入到半监督学习模型进行分类；本发明设计了一种新的高光谱数据处理流水线获得了标签样本和无标签样本，并融合监督学习损失和对比学习损失构建了一种半监督学习模型。监督分类模型是通过对骨干网络和监督头迭代优化构建，非监督模型则通过最大化两个特征提取分支的相似性来优化。本发明在无监督模型中引入了特定任务知识，从而构建了一个新颖的半监督学习模型，这将大大加快网络拟合速度，提高模型性能。此外，本发明还为该框架设计了能自适应融合监督学习和对比学习的自动加权损失，更好地将完成高光谱影像分类任务。
-
公开(公告)号：CN118918489A
公开(公告)日：2024-11-08
申请号：CN202410908043.3
申请日：2024-07-08
Applicant: 武汉大学
Abstract: 本发明公开了一种基于孪生网络的卫星视频目标跟踪方法、设备及软件产品，基于孪生网络、时序信息模块、轨迹预测模块和遮挡判断模块来完成目标跟踪任务。本发明基于孪生网络，提取模板图像、搜素图像和时序信息特征。通过引入的时序信息和时序信息模块，本发明提取到更具有判别性的模板特征，提升模型精确匹配的能力；此外，本发明通过引入基于目标大小自适应的遮挡判断模块和一种简单但有效地轨迹预测模块，有效地解决了目标被频繁遮挡的问题，进一步提升了模型的效率和泛化性。
-
Patent Agency Ranking
公开(公告)号：CN118898746A
公开(公告)日：2024-11-05
申请号：CN202410950994.7
申请日：2024-07-16
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/40 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种用于对高光谱图像进行跨场景分类的方法、装置和设备，其中，方法包括：获取目标域图像；其中，目标域图像为需要进行跨场景分类的目标区域的高光谱图像；将目标域图像输入预设跨场景分类模型，经预设跨场景分类模型输出关于目标域图像的分类类别；其中，预设跨场景分类模型基于预设训练框架以及至少一组训练数据训练得到，至少一组训练数据中的每组训练数据包括一张源域样本图像和对应的标签值，预设训练框架能够基于每组训练数据中的源域样本图像生成对应的扩展域样本图像。利用本发明公开的方法，可以在训练阶段通过变换图像的频率特性来实现提升模型的泛化能力，从而使得训练得到的预设跨场景分类模型对高光谱图像进行跨场景分类的准确性更高。
-
公开(公告)号：CN119888317A
公开(公告)日：2025-04-25
申请号：CN202411926194.8
申请日：2024-12-25
Applicant: 武汉大学
IPC: G06V10/764 , G06V20/10 , G06V10/58 , G06V10/74 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本申请涉及遥感图像处理技术领域，特别涉及一种基于小样本分类模型的高光谱遥感图像分类方法及装置，其中，方法包括：将高光谱遥感图像的像素块输入至预先构建的自适应掩膜模块中，以得到对应的掩膜像素块；将掩膜像素块输入至预先构建的布朗距离协方差表示模块中，以得到像素块对应的预测标签；训练自适应掩膜模块和布朗距离协方差表示模块，得到高光谱遥感图像的小样本分类模型，以获取高光谱遥感图像的分类结果。由此，解决了相关技术中，由于地物的复杂性和多样性，使得地物空间覆盖不一致，难以准确提取空间上下文信息，挖掘不同光谱维度之间的非线性相关性，无法有效获取和概括有限先验样本的信息等问题。
-
公开(公告)号：CN118968016A
公开(公告)日：2024-11-15
申请号：CN202410986440.2
申请日：2024-07-23
Applicant: 武汉大学
IPC: G06V10/25 , G06V20/10 , G06V10/764 , G06N3/045 , G06N3/094
Abstract: 本发明提供一种用于对光学遥感图像进行目标检测的方法和装置，其中，方法包括：获取目标图像；目标图像为需要进行目标检测的目标域光学遥感图像；将目标图像输入预设目标检测模型，经预设目标检测模型输出关于目标图像的目标检测结果；目标检测结果包括表征检测到的目标在目标图像中的位置以及类别的信息；预设目标检测模型基于预设训练框架以及至少一组训练数据训练得到，至少一组训练数据中的每组训练数据包括第一类训练数据和第二类训练数据，第一类训练数据包括一张源域样本图像和对应的样本真值标签，第二类训练数据包括一张目标域样本图像。本发明的预设目标检测模型具备较强的跨域目标检测泛化能力，可以实现对目标图像的精准目标检测。
-
公开(公告)号：CN118918458A
公开(公告)日：2024-11-08
申请号：CN202410903674.6
申请日：2024-07-08
Applicant: 武汉大学
Abstract: 本发明公开了一种高光谱图像域适应变化检测方法、设备及软件产品，首先运用相关性对齐损失，旨在最大程度地减少由成像时间变化所导致的图像分布差异，从而避免网络过度捕捉非关键的变化。同时，本发明还引入通道注意力机制，以强化差异图像的特征表现，进而帮助网络更精准地发现细微的变化。最后，本发明采用Kullback‑Leibler散度损失来融合两个分支所提取特征，从而进一步增强网络对变化检测的精确性。
-
公开(公告)号：CN118898787A
公开(公告)日：2024-11-05
申请号：CN202410962840.X
申请日：2024-07-18
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明提供一种用于对高光谱图像进行异常检测的方法和装置，其中，方法包括：获取目标图像；其中目标图像为需要进行异常检测的高光谱图像；将目标图像输入预设卷积注意力网络，经预设卷积注意力网络输出关于目标图像的异常检测结果；其中，异常检测结果包括从目标图像中分离出的异常目标；其中，预设卷积注意力网络基于预设训练框架以及至少一组训练数据训练得到，至少一组训练数据中的每组训练数据包括一张高光谱样本图像，预设训练框架能够基于每组训练数据中的高光谱样本图像生成对应的异常样本图像和背景样本图像，以及基于异常样本图像生成对应的异常增强样本图像。利用本发明的方法可以不受输入高光谱图像空间尺寸和光谱维度大小的限制。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.016 seconds)
