-
公开(公告)号：CN114821186B
公开(公告)日：2025-04-22
申请号：CN202210540901.4
申请日：2022-05-17
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于中心‑领域交互式学习的高光谱图像分类方法及系统，首先引入了中心观察像素和邻域辅助像素的概念，利用基于区域分割思想的分级区域采样策略以每个中心观察像素为中心由近及远地生成中心区域、近邻区域和周围区域，为后续处理提供数据支持。然后将包含中心观察像素的中心区域送入中心Transformer分支，获得细粒度的特征表达。接着将包含邻域辅助像素的近邻区域和周围区域送入邻域Transformer分支，获得粗粒度的特征表达。最后将上述两个分支输出的特征进行融合，送入多层感知机完成分类。本发明所述的方法不仅顾及地物的低级细节特征，而且保留全局的高级语义信息，能够增强高光谱图像分类性能。
-
公开(公告)号：CN114821186A
公开(公告)日：2022-07-29
申请号：CN202210540901.4
申请日：2022-05-17
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于中心‑领域交互式学习的高光谱图像分类方法及系统，首先引入了中心观察像素和邻域辅助像素的概念，利用基于区域分割思想的分级区域采样策略以每个中心观察像素为中心由近及远地生成中心区域、近邻区域和周围区域，为后续处理提供数据支持。然后将包含中心观察像素的中心区域送入中心Transformer分支，获得细粒度的特征表达。接着将包含邻域辅助像素的近邻区域和周围区域送入邻域Transformer分支，获得粗粒度的特征表达。最后将上述两个分支输出的特征进行融合，送入多层感知机完成分类。本发明所述的方法不仅顾及地物的低级细节特征，而且保留全局的高级语义信息，能够增强高光谱图像分类性能。
-
Patent Agency Ranking
公开(公告)号：CN112766199B
公开(公告)日：2022-04-29
申请号：CN202110102544.9
申请日：2021-01-26
Applicant: 武汉大学
Abstract: 本发明公开了基于自适应多尺度特征提取模型的高光谱图像分类方法，建立包含尺度参考网络和特征提取网络两部分的框架，在尺度参考网络，引入条件门控机制，通过三组模块逐级判断，将特征输入到对应尺度提取网络，深入挖掘高光谱遥感图像蕴含的丰富信息，有效结合不同尺度的特征，提高分类效果，生成精细分类结果图；在特征提取网络，设计大尺度特征提取网络和小尺度特征提取网络从两个尺度进行地物信息提取，综合考虑数据集异构性和被识别地物尺度差异性，能够自适应改变网络结构，实现多尺度特征协同学习。本发明在进行多尺度特征提取时，同时保留了高光谱遥感图像的较小尺度细节信息和较大尺度空间信息，满足高光谱遥感图像目标识别与分类需要。
-
公开(公告)号：CN114120033B
公开(公告)日：2024-10-25
申请号：CN202111341226.4
申请日：2021-11-12
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/40
Abstract: 本发明公开了一种高光谱图像分类方法、装置、设备及存储介质，所述方法通过获取原始高光谱遥感图像的光谱特征和空间特征；根据光谱特征获得候选光谱向量，根据空间特征获得多尺度特征，将候选光谱向量和多尺度特征进行特征融合补偿，获得光谱空间联合特征；根据光谱空间联合特征对原始高光谱遥感图像进行分类，获得图像分类结果；能够有效挖掘丰富的光谱特征，通过增强光谱空间信息的关联，提高了分类性能，既顾及图像全局空间分布，又不损失细节信息，实现高光谱遥感图像内覆盖范围广的大尺度地物和形状狭窄细微的小尺度地物的同时提取，保持内部地物连续性，减少了过平滑现象，平衡光谱域和空间域的贡献，从而实现更高精度地物识别与分类。
-
公开(公告)号：CN114120033A
公开(公告)日：2022-03-01
申请号：CN202111341226.4
申请日：2021-11-12
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/40
Abstract: 本发明公开了一种高光谱图像分类方法、装置、设备及存储介质，所述方法通过获取原始高光谱遥感图像的光谱特征和空间特征；根据光谱特征获得候选光谱向量，根据空间特征获得多尺度特征，将候选光谱向量和多尺度特征进行特征融合补偿，获得光谱空间联合特征；根据光谱空间联合特征对原始高光谱遥感图像进行分类，获得图像分类结果；能够有效挖掘丰富的光谱特征，通过增强光谱空间信息的关联，提高了分类性能，既顾及图像全局空间分布，又不损失细节信息，实现高光谱遥感图像内覆盖范围广的大尺度地物和形状狭窄细微的小尺度地物的同时提取，保持内部地物连续性，减少了过平滑现象，平衡光谱域和空间域的贡献，从而实现更高精度地物识别与分类。
-
公开(公告)号：CN112836614A
公开(公告)日：2021-05-25
申请号：CN202110113122.1
申请日：2021-01-27
Applicant: 国网江苏省电力有限公司泰州供电分公司 , 国网江苏省电力有限公司 , 中国能源建设集团江苏省电力设计院有限公司 , 武汉大学
Abstract: 本发明属于图像处理和分析技术领域，具体涉及一种基于残差网络和迁移学习的高分遥感图像分类方法。包括如下步骤：建立目标数据集，进行基于其地物类别进行标签标注；构建仅含有确定类别的高分遥感图像的重构数据集和测试集；改进Resnet101深度残差网络；确定深度残差网络训练模型和参数；获取目标数据集多尺度场景分类及投票结果；获取多个尺度的目标数据集场景分类结果；完成预训练模型，得到目标数据集多尺度场景分类结果；对所有高分遥感图像进行投票再生成，完成分类任务。本发明提供的方法利用改进的Resnet101深度残差网络进行特征提取与源域数据集的预训练，进行有多尺度的场景分类，总体精度可达到95％以上。
-
公开(公告)号：CN112766199A
公开(公告)日：2021-05-07
申请号：CN202110102544.9
申请日：2021-01-26
Applicant: 武汉大学
Abstract: 本发明公开了基于自适应多尺度特征提取模型的高光谱图像分类方法，建立包含尺度参考网络和特征提取网络两部分的框架，在尺度参考网络，引入条件门控机制，通过三组模块逐级判断，将特征输入到对应尺度提取网络，深入挖掘高光谱遥感图像蕴含的丰富信息，有效结合不同尺度的特征，提高分类效果，生成精细分类结果图；在特征提取网络，设计大尺度特征提取网络和小尺度特征提取网络从两个尺度进行地物信息提取，综合考虑数据集异构性和被识别地物尺度差异性，能够自适应改变网络结构，实现多尺度特征协同学习。本发明在进行多尺度特征提取时，同时保留了高光谱遥感图像的较小尺度细节信息和较大尺度空间信息，满足高光谱遥感图像目标识别与分类需要。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
