-
公开(公告)号：CN109447933B
公开(公告)日：2019-10-22
申请号：CN201811351004.9
申请日：2018-11-14
Applicant: 西北工业大学
IPC: G06T5/50
Abstract: 本发明提出基于特有信息同步分解的红外与可见光图像融合方法，包括以下步骤：图像预处理、图像均值剥离、字典学习和构建、图像的联合稀疏分解、稀疏系数融合、均值融合和图像重构；本发明通过在联合稀疏表示模型下提出了一种对红外与可见光图像的特有信息进行同步正交匹配追踪分解的图像融合算法，可以将对原始根据图像块的融合方式进一步细化到对参与这个图像块的所有原子表示系数进行融合，提高了融合的全面性与完整性，得到的融合图像特征明显，信息全面，即它不仅能将红外与可见光图像的特有信息融合到一起，而且融合图像整体更加清晰，并不会出现某一块区域失真现象。
-
公开(公告)号：CN109410164B
公开(公告)日：2019-10-22
申请号：CN201811351323.X
申请日：2018-11-14
Applicant: 西北工业大学
Abstract: 本发明提出多尺度卷积神经网络的卫星全色与多光谱图像融合方法，包括以下步骤：构建基础卷积神经网络、构造需要的训练集和测试集、对多光谱图像进行锐化处理、对训练集和测试集进行数据增强处理、多尺度卷积神经网络模型的构造和通过对多尺度卷积神经网络模型的融合结果进行平均最终得到融合结果图像；本发明通过选择构造简单的三层卷积神经网络的构造方法进行构造，提高了卷积神经网络实现几率，提高了融合效率，通过在构成网络输入时，首先对多光谱图像进行锐化处理，可以充分利用在传统融合方法中容易被忽略的多光谱图像中的空间细节信息，提高了空间细节信息的融入效果。
-
公开(公告)号：CN109447933A
公开(公告)日：2019-03-08
申请号：CN201811351004.9
申请日：2018-11-14
Applicant: 西北工业大学
IPC: G06T5/50
Abstract: 本发明提出基于特有信息同步分解的红外与可见光图像融合方法，包括以下步骤：图像预处理、图像均值剥离、字典学习和构建、图像的联合稀疏分解、稀疏系数融合、均值融合和图像重构；本发明通过在联合稀疏表示模型下提出了一种对红外与可见光图像的特有信息进行同步正交匹配追踪分解的图像融合算法，可以将对原始根据图像块的融合方式进一步细化到对参与这个图像块的所有原子表示系数进行融合，提高了融合的全面性与完整性，得到的融合图像特征明显，信息全面，即它不仅能将红外与可见光图像的特有信息融合到一起，而且融合图像整体更加清晰，并不会出现某一块区域失真现象。
-
公开(公告)号：CN109919320B
公开(公告)日：2022-04-01
申请号：CN201910060989.8
申请日：2019-01-23
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于语义层次结构的Triplet网络学习方法，构建语义层次结构，层次化Triplets采样，之后层次化Triplet网络训练，再利用bilinear特征增强，从而更新网络的参数。本发明既利用了语义知识指导网络层次化的区分样本结构，又利用了层次间的关系让网络关注到更有效的Triplets对，充分挖掘了batch中样本的有效性，从而提升了网络学习到的深度特征的可分性。同时，本发明还利用bilinear函数对图像细节进行了增强，并与Triplet联合训练，进一步提升了网络的性能。
-
Patent Agency Ranking
公开(公告)号：CN110909785B
公开(公告)日：2021-09-14
申请号：CN201911124067.5
申请日：2019-11-18
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于语义层级的多任务Triplet损失函数学习方法，为数据库构建语义层级网络，语义层级进行triplets采样，对多任务Triplet网络训练，利用树分类器进行多任务分类。本发明针对Triplet网络多层次化训练的问题，提出了一种将语义层级网络与Triplet相结合的损失函数，利用语义知识指导网络层次化的区分样本结构，学习到一种包含语义层级信息且泛化性更强Triplet特征，有效的运用在多任务学习中，提升了不同语义层次下的特征可分性。同时，研究了一种新的层级化采样方法，使得网络能够挖掘到更有效的hard triplets，最终提升网络的性能。
-
公开(公告)号：CN109919320A
公开(公告)日：2019-06-21
申请号：CN201910060989.8
申请日：2019-01-23
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于语义层次结构的Triplet网络学习方法，构建语义层次结构，层次化Triplets采样，之后层次化Triplet网络训练，再利用bilinear特征增强，从而更新网络的参数。本发明既利用了语义知识指导网络层次化的区分样本结构，又利用了层次间的关系让网络关注到更有效的Triplets对，充分挖掘了batch中样本的有效性，从而提升了网络学习到的深度特征的可分性。同时，本发明还利用bilinear函数对图像细节进行了增强，并与Triplet联合训练，进一步提升了网络的性能。
-
公开(公告)号：CN109447934A
公开(公告)日：2019-03-08
申请号：CN201811351008.7
申请日：2018-11-14
Applicant: 西北工业大学
Abstract: 本发明提出基于两步稀疏编码和小波变换全色与多光谱图像融合方法，包括以下步骤：数据预处理、高低分辨率字典、一步稀疏编码、两步稀疏编码、合并两步稀疏系数、重构稀疏系数得到融合图像、小波变换、高频分量融合、低频分量融合和逆变换；本发明通过两步稀疏编码算法可以提高算法效率，同时通过两步稀疏编码进行稀疏系数的求解，提高了稀疏表示的精度，改善了光谱畸变的问题，通过绝对值最大的原则进行融合可以提高融合结果，融合结果图像清晰、细节信息丰富，且光谱信息与原图一致性最高，且运行时间较短，通过全色与多光谱图像分别进行小波变换，是一种快速且高效有效的融合方法。
-
公开(公告)号：CN109410164A
公开(公告)日：2019-03-01
申请号：CN201811351323.X
申请日：2018-11-14
Applicant: 西北工业大学
Abstract: 本发明提出多尺度卷积神经网络的卫星全色与多光谱图像融合方法，包括以下步骤：构建基础卷积神经网络、构造需要的训练集和测试集、对多光谱图像进行锐化处理、对训练集和测试集进行数据增强处理、多尺度卷积神经网络模型的构造和通过对多尺度卷积神经网络模型的融合结果进行平均最终得到融合结果图像；本发明通过选择构造简单的三层卷积神经网络的构造方法进行构造，提高了卷积神经网络实现几率，提高了融合效率，通过在构成网络输入时，首先对多光谱图像进行锐化处理，可以充分利用在传统融合方法中容易被忽略的多光谱图像中的空间细节信息，提高了空间细节信息的融入效果。
-
公开(公告)号：CN110909785A
公开(公告)日：2020-03-24
申请号：CN201911124067.5
申请日：2019-11-18
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于语义层级的多任务Triplet损失函数学习方法，为数据库构建语义层级网络，语义层级进行triplets采样，对多任务Triplet网络训练，利用树分类器进行多任务分类。本发明针对Triplet网络多层次化训练的问题，提出了一种将语义层级网络与Triplet相结合的损失函数，利用语义知识指导网络层次化的区分样本结构，学习到一种包含语义层级信息且泛化性更强Triplet特征，有效的运用在多任务学习中，提升了不同语义层次下的特征可分性。同时，研究了一种新的层级化采样方法，使得网络能够挖掘到更有效的hard triplets，最终提升网络的性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
