-
公开(公告)号：CN112766102B
公开(公告)日：2024-04-26
申请号：CN202110018918.9
申请日：2021-01-07
Applicant: 武汉大学
Abstract: 本发明涉及一种基于空谱特征融合的无监督高光谱视频目标跟踪方法。本发明结合循环一致性理论方法，设计了基于深度学习的高光谱目标跟踪方法，可无监督的训练高光谱目标跟踪深度学习模型，节约了人工标注的成本。在Siamese跟踪框架的基础上了，设计了RGB分支(空间分支)与高光谱分支；使用RGB视频数据训练空间分支以及将训练好的RGB模型载入网络固定参数同时训练高光谱分支，获得融合后的更具鲁棒性及判别力的特征。最终使用将融合的特征输入到相关滤波器中(DCF)，获得跟踪结果。本发明可以解决高光谱视频数据人工标注的问题以及用于深度学习模型训练的高光谱训练样本少的问题，可以有效提升高光谱视频跟踪模型的精度和速度。
-
公开(公告)号：CN115346137A
公开(公告)日：2022-11-15
申请号：CN202211257905.8
申请日：2022-10-14
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/82 , G06V10/80 , G06V10/26 , G06V10/764
Abstract: 本发明涉及一种基于多任务学习的高标准农田地块矢量化提取方法，主要包括：设计超完备高分辨率密集多尺度模块来联合提取地块对象的形状变异性特征与地块边界类别相关的边缘特征，设计区域‑边界‑地块解耦多任务模块来联合优化地块对象提取与地块边界提取任务；设计地块边界‑对象交互矢量化模块进一步优化地块对象结果出现的粘连现象。本发明能够适用于多种空间分辨率下的光学遥感影像用于高标准农田地块矢量化提取任务，与现有的农田地块提取方法相比，本发明所提出的方法可处理至矢量结果并具有更高的地块对象提取精度以及平滑的地块边界，可满足于地块尺度农作物分类、估产等应用需求。
-
公开(公告)号：CN114663821B
公开(公告)日：2022-08-30
申请号：CN202210537152.X
申请日：2022-05-18
Applicant: 武汉大学
IPC: G06V20/40 , G06V10/22 , G06V10/25 , G06V10/26 , G06V10/58 , G06V10/46 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T5/00 , G06T7/00
Abstract: 本发明针对现有的基于推扫式高光谱成像仪的检测系统成像速度慢，现有的传统机器学习模型无法充分表达高光谱特征的问题，公开了一种基于视频高光谱成像技术的产品质量实时无损检测方法。主要包括：使用质量检测仪器进行产品的理化性质检测；搭建硬件平台，使用视频高光谱成像技术获取产品光谱的三维立方；对原始高光谱数据进行预处理，提取产品感兴趣目标区域部分的平均光谱；对检测样本打标签，训练一维光谱分类模型，使用模型对检测样本中测试样本进行预测；将产品品质检测结果实时展示在系统软件上。本方法可实时获取产品待测样本的高光谱数据，可实现产品品质的实时检测，并保持较高的检测精度。该方法无需人工干预，可自动化处理。
-
公开(公告)号：CN112733693B
公开(公告)日：2022-08-05
申请号：CN202110003409.9
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法，所提出的全局感知高分辨率遥感影像多尺度残差学习道路提取方法从两个方面来增大模型捕捉长距离依赖关系的能力，一方面在残差模块之间，我们采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系；另一方面在残差模块内，我们使用多尺度残差卷积学习，提取多尺度特征的同时增大网络感受野，为紧接着的全局感知操作提供更丰富的信息；本发明能够一定程度上解决现有深度学习模型感受野有限与道路长跨度连接属性不匹配，导致道路识别零散的问题，可以显著提升道路识别精度。
-
公开(公告)号：CN114511473B
公开(公告)日：2022-07-05
申请号：CN202210409199.8
申请日：2022-04-19
Applicant: 武汉大学
IPC: G06T5/00 , G06V20/17 , G06N3/04 , G06K9/62 , G06V10/774
Abstract: 本发明涉及一种基于无监督自适应学习的高光谱遥感影像去噪方法。本发明针对模拟影像和真实影像之间的降质差异降低模型泛化性的问题，提出了无监督自适应学习策略，在高质量地面影像上进行预训练，设计判别器对噪声进行建模，在处理真实影像时由判别器对去噪参数进行微调，提升模型在真实影像上的泛化性。本发明在模型中设计了基于空‑谱残差的深度去噪网络和基于全局信息建模的判别器以充分挖掘高光谱深度先验。本发明可以解决高光谱遥感影像深度学习去噪中模拟训练数据的问题，降低深度学习模型对模拟训练数据的依赖性，有效提升高光谱去噪的适用性和精度。
-
Patent Agency Ranking
公开(公告)号：CN112598265B
公开(公告)日：2022-06-07
申请号：CN202011511759.8
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明涉及一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法。本方法通过类别解耦的风险估计，将阈值确定问题转换为风险估计问题，避免阈值调节步骤，同时将全卷积神经网络引入单分类框架中，通过全局空间信息的利用来捕获影像中距离较远的像素间的依赖关系，缓解无人机影像探测结果中常出现的“椒盐噪声”现象，并且与基于影像块的单分类方法相比，本发明所提出的方法具有较快的推理速度。该方法可以用来进行松材线虫病的探测，无需人工干预。
-
公开(公告)号：CN112598636B
公开(公告)日：2022-04-29
申请号：CN202011508302.1
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明涉及一种基于全卷积自编码器的高光谱影像异常探测方法。本发明结合全卷积自编码器网络，将高光谱遥感影像异常探测问题转换为背景与异常分离问题，网络直接重建背景，异常表现为网络重建误差，从而实现探测。构建残差连接的自适应加权全卷积自编码器，输入均匀噪声拟合原始高光谱影像以重建背景，通过卷积和残差连接保持重建背景空间细节信息，并设计了自适应加权损失函数抑制异常被重建，实现网络重建结果中背景与异常的分离。本发明可以解决高光谱遥感影像深度学习异常探测问题，实现全自动端到端异常探测，无需参数设置，可以获得更佳的异常探测结果。本发明可以有效提升高光谱异常探测的适用性和精度。
-
公开(公告)号：CN112733693A
公开(公告)日：2021-04-30
申请号：CN202110003409.9
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法，所提出的全局感知高分辨率遥感影像多尺度残差学习道路提取方法从两个方面来增大模型捕捉长距离依赖关系的能力，一方面在残差模块之间，我们采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系；另一方面在残差模块内，我们使用多尺度残差卷积学习，提取多尺度特征的同时增大网络感受野，为紧接着的全局感知操作提供更丰富的信息；本发明能够一定程度上解决现有深度学习模型感受野有限与道路长跨度连接属性不匹配，导致道路识别零散的问题，可以显著提升道路识别精度。
-
公开(公告)号：CN109671019A
公开(公告)日：2019-04-23
申请号：CN201811534441.4
申请日：2018-12-14
Applicant: 武汉大学
Abstract: 本发明涉及一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法。本发明结合多目标优化理论，将亚像元制图问题转化为对数据保真项、稀疏约束项、空间先验项的多目标优化问题，在稀疏约束项上直接使用非凸的L0范数建模，并构建基于亚像元集群块的亚像元空间分布模式字典，实现亚像元级空间先验建模。然后利用多目标优化算法强大的寻优能力来同时优化三个目标项，求解使该模型达到最优的一组解。本发明能够解决现有的稀疏亚像元制图方法中L1范数稀疏性建模不精确问题，以及最优权重参数选取困难问题。本发明可以有效提高亚像元制图的适用性和精度。
-
公开(公告)号：CN102073882A
公开(公告)日：2011-05-25
申请号：CN201110028401.4
申请日：2011-01-27
Applicant: 武汉大学
Abstract: 本发明提出了一种高光谱遥感影像的DNA计算光谱匹配分类方法，通过将DNA计算的思想引入光谱编码匹配算法中，按照优化原理将已有的地物光谱数据转化为相应的DNA链参数，建立在分子水平上的基于DNA编码机理和DNA控制机理的遗传信息模型，实现基于DNA计算的高光谱遥感数据光谱匹配分类。该方法利用高光谱遥感数据高维度的特征进行匹配分类，既解决了高光谱遥感图像处理过程中由于其数据量大、数据维度高所带来的问题，又充分的发挥了高光谱数据在光谱域精细区分地物种类的能力；该方法运用基于DNA基因操纵技术对特征编码进行组合优化，能够包容光谱多样性和光谱曲线误差，实现光谱智能化、快速、自适应匹配分类过程。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.022 seconds)
