-
公开(公告)号：CN114821303B
公开(公告)日：2025-03-04
申请号：CN202210343422.3
申请日：2022-03-31
Applicant: 浙江工业大学
IPC: G06V20/10 , G06N3/084 , G06N3/0455 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/82 , G06V10/26
Abstract: 本发明公开了一种联合局部表征和全局建模的双时遥感变化检测方法，包括：获取双时遥感图像对并将图像分割为相同尺寸的子图；建立对偶主干网络模型并进行预训练；采用预训练好的对偶主干网络模型对子图进行特征提取，对应获得多尺度局部特征图和全局特征图；对相同空间分辨率下的局部特征图和全局特征图执行双分支信息交叉融合操作，获取联合表示；对不同空间分辨率的联合表示执行多尺度特征图融合操作，获取多尺度融合特征图；将图像对中对应子图获得的多尺度融合特征图之间依次进行差值、上采样和卷积变换，获取变化检测图。该方法可实现更好的目标定位、边缘细化和语义理解，保障检测精度和泛化性能，数据处理速度快。
-
公开(公告)号：CN118967519A
公开(公告)日：2024-11-15
申请号：CN202410928739.2
申请日：2024-07-11
Applicant: 浙江工业大学
IPC: G06T5/77 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/098 , G06N3/09
Abstract: 本发明公开了一种基于级联可变形卷积的图像修复方法，属于深度学习的图像生成领域，方法包括输入原始待修复图像、级联可变形卷积编码、相邻层传导注意力计算、级联可变形卷积解码、级联损失引导约束；级联可变形卷积编码以实现深层特征的偏移提取；针对多层级的特征执行相邻层传导注意力计算整合结构纹理细节；级联可变形卷积解码逐步扩大特征分辨率至原图大小，得到完整的修复图像；级联损失对所有解码器层级的中间特征进行深度监督，引导修复重建的快速收敛。
-
公开(公告)号：CN113111724B
公开(公告)日：2024-08-23
申请号：CN202110291565.X
申请日：2021-03-18
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/082
Abstract: 一种基于外观保持模块和三维卷积的运动物体分类方法，包括获取待检测的视频连续帧和标签并进行预处理；利用跨像素语义相似性重建每帧的相邻特征图；并通过对比注意力机制寻找重建图的不匹配区域以避免误差的传播；使用级联1×3×3的空间域卷积和3×1×1的时间域卷积代替传统3D卷积并将空间保持模块以并联级联混合的方式做残差级联，利用得到的残差网络提取特征；对注意力模块施加正则化约束维持多样性；将得到的特征图经过空间最大池化和时间平均池化得到特征向量输入至全连接网络得到针对待分类的预测分类结果。本发明实现了在视频上对运动的物体进行准确分类。
-
公开(公告)号：CN111951182B
公开(公告)日：2024-03-29
申请号：CN202010672772.5
申请日：2020-07-14
Applicant: 浙江工业大学
Abstract: 一种基于流形非局部曲率正则化的高光谱图像修复算法，将待修复的高光谱图像划分为大小统一的数据子块并表示成矩阵形式，在每个子块中引入对应的位置信息，所有子块分布于一个或多个低维流形附近；利用kd‑tree近邻搜索算法搜索相似数据子块，获得数据子块相似度的权值矩阵w；将加权非局部曲率正则添加至优化模型；对所构模型进行数值求解，将权值矩阵w进行组合操作获得矩阵#imgabs0#将u的每一个波段与步骤三获得的带入最终公式，用广义极小残差法(GMRES)迭代求解直到稳定，获得修复的图像。本发明对高光谱图像进行缺失数据修复，通过对传统低维流形的改进，加入曲率正则项，可兼顾重建流形的低维性和光滑性，克服以往流形方法只逼近其低维性，而忽略光滑性的缺点。
-
公开(公告)号：CN113111919A
公开(公告)日：2021-07-13
申请号：CN202110291562.6
申请日：2021-03-18
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度高分辨率表示学习的高光谱图像分类方法，包括：获取待分类的高光谱图像；利用主成分分析法进行光谱降维；对光谱带中每个像素点取一个固定空间大小的立方体数据，通过一个高分辨率的卷积网络模块，并利用多分辨率网络和多尺度融合来提取特征；采用保持高分辨率表示的方法,从一个高分辨率网络开始,逐步增加高分辨率到低分辨率的子网络,并将多分辨率子网并行链接；采用重复的多尺度融合的方法，对每一个高到低分辨率的表示从其他平行表示反复的接受和融合信息来丰富高分辨率表示,得特征图输出；将特征图输入至全连接网络和Softmax得到预测分类结果。本发明通过一直保持高分辨率表示和重复的多尺度融合，实现了在低训练样本下对高光谱图像的准确分类。
-
Patent Agency Ranking
公开(公告)号：CN114821302B
公开(公告)日：2025-04-15
申请号：CN202210343417.2
申请日：2022-03-31
Applicant: 浙江工业大学
IPC: G06V20/10 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06V10/44 , G06V10/26 , G06V10/82
Abstract: 本发明公开了一种基于线性跨时态交互的异源遥感建筑变化检测方法，包括：获取异源遥感图像对并分割为若干子图；采用预训练好的CNN或Transformer模型对各子图进行特征提取获得对应的第一特征图；将图像对中对应子图获得的第一特征图执行线性交叉注意力操作获取对应的第二特征图；对第二特征图执行协同特征对齐操作获取对应的第三特征图；将图像对中对应子图获得的第三特征图依次进行差值、上采样和卷积变换，获取变化检测图。该方法针对异源遥感图像变化检测任务中数据异源差异，通过交叉注意力进行图像间耦合互动，并构建协同特征对齐以保障异源特性下特征间对齐，有助于提高异源遥感图像变化检测的精度和泛化性能。
-
公开(公告)号：CN115880553A
公开(公告)日：2023-03-31
申请号：CN202211240705.1
申请日：2022-10-11
Abstract: 一种基于空时建模的多尺度变化目标检索方法，包括：获取具有空间‑时序多维度的数据并分割为若干子图；采用预训练好的CNN或Transformer模型对各子图进行特征提取获得抽象特征图；将图像对中对应子图获得的抽象特征图执行跨时态的联合全局注意力机制获取对应的交互特征图；对交互特征图执行联合逐像素减法和参数化学习的双分支获取对应的差异特征图；将图像对中对应子图获得的差异特征图进行多尺度融合，获取融合特征图；将图像中对应子图获得的融合特征图依次进行上采样和卷积变换，获取变化检测图。本发明有助于提高多尺度变化目标检索的精度和泛化性能。
-
公开(公告)号：CN112085666B
公开(公告)日：2024-03-26
申请号：CN202010749675.1
申请日：2020-07-30
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于重启策略与近似交替惩罚算法的图像补全方法，包括获取待补全的自然图像数据输入低秩全变分修复模型；利用近似交替惩罚算法迭代求解所述低秩全变分修复模型，并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量，直至迭代至预设的最大迭代次数；输出求解得到的补全后的自然图像数据。本申请建立的低秩全变分修复模型从多维度考虑图像修复，并且采用近似交替惩罚算法对低秩全变分修复模型进行求解，以应用于自然图像修复，求解速度快，同时使用了重新策略，即迭代到一定次数，重新给参数赋初值，以显著提高近似交替惩罚算法的性能，在提高修复效率的同时达到较优的修复效果。
-
公开(公告)号：CN111310598B
公开(公告)日：2023-06-20
申请号：CN202010066659.2
申请日：2020-01-20
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/77 , G06V10/80 , G06V10/58 , G06V10/82 , G06V20/13 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于3维和2维混合卷积的高光谱遥感图像分类方法，包括获取待分类的高光谱遥感图像；利用主成分分析法进行光谱降维；根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；根据光谱带含有的光谱信息量对光谱带赋予对应的权重；对光谱带中每个像素点取一个固定空间大小的立方体数据，利用3维卷积根据立方体数据提取光谱‑空间特征，再利用2维卷积进行光谱信息的融合，得到最终的特征图；采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；将特征向量输入至三层全连接网络得到预测分类结果。本发明结合了3维和2维卷积的优点，实现了在低训练样本下对高光谱遥感图像的准确分类。
-
公开(公告)号：CN114821303A
公开(公告)日：2022-07-29
申请号：CN202210343422.3
申请日：2022-03-31
Applicant: 浙江工业大学
Abstract: 本发明公开了一种联合局部表征和全局建模的双时遥感变化检测方法，包括：获取双时遥感图像对并将图像分割为相同尺寸的子图；建立对偶主干网络模型并进行预训练；采用预训练好的对偶主干网络模型对子图进行特征提取，对应获得多尺度局部特征图和全局特征图；对相同空间分辨率下的局部特征图和全局特征图执行双分支信息交叉融合操作，获取联合表示；对不同空间分辨率的联合表示执行多尺度特征图融合操作，获取多尺度融合特征图；将图像对中对应子图获得的多尺度融合特征图之间依次进行差值、上采样和卷积变换，获取变化检测图。该方法可实现更好的目标定位、边缘细化和语义理解，保障检测精度和泛化性能，数据处理速度快。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.018 seconds)
