-
公开(公告)号：CN114067160A
公开(公告)日：2022-02-18
申请号：CN202111387970.8
申请日：2021-11-22
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/13 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于嵌入平滑图神经网络的小样本遥感图像场景分类方法，属于遥感图像识别领域。该方法首先将场景图片输入到嵌入学习模块中，通过一个卷积神经网络提取场景嵌入特征；再将嵌入平滑引入到场景分类中，在无监督的情况下捕获嵌入特征之间的相似性与差异性，提高嵌入特征的可区分性，扩展决策边界，降低无关特征的影响；同时通过注意力机制采用任务级关系来构建图矩阵，将目标样本与任务中的所有样本关联起来，并在不同场景类别之间产生更具有分辨力的关系表示；然后根据样本间的内在联系构造图；标签匹配模块可以根据构造的图，通过直推式学习迭代生成测试集中样本的预测标签，直到得到最优解。本发明能够实现图像的精确分类。
-
公开(公告)号：CN114283291B
公开(公告)日：2024-11-29
申请号：CN202111422598.X
申请日：2021-11-26
Applicant: 重庆邮电大学
IPC: G06V10/40 , G06V10/82 , G06N3/0464 , G06T9/00
Abstract: 本发明涉及一种轻量化的特征图处理方法，属于图像处理技术领域。该方法包括：S1：输入图像处理后得到的特征图Ⅰ；S2：将特征图Ⅰ升维，然后使用分组卷积处理，将特征图分为等通道数的若干组特征图Ⅱ；S3：分别对每组特征图Ⅱ进行不同感受野的卷积操作，得到特征图Ⅲ；S4：将每组特征图Ⅲ进行拼接，形成特征图Ⅳ；S5：将特征图Ⅳ输入改进后的ECA模块中，施加通道注意力机制，得到特征图Ⅴ；S6：将特征图Ⅴ降维后与输入的特征图Ⅰ进行跳连形成最终的特征图。本发明相较于传统的神经网络，计算量大大减少，同时，相较于其他轻量级卷积神经网络，本发明可以提高多尺度特征信息，性能更好，准确度更高。
-
公开(公告)号：CN114283291A
公开(公告)日：2022-04-05
申请号：CN202111422598.X
申请日：2021-11-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种轻量化的特征图处理方法，属于图像处理技术领域。该方法包括：S1：输入图像处理后得到的特征图Ⅰ；S2：将特征图Ⅰ升维，然后使用分组卷积处理，将特征图分为等通道数的若干组特征图Ⅱ；S3：分别对每组特征图Ⅱ进行不同感受野的卷积操作，得到特征图Ⅲ；S4：将每组特征图Ⅲ进行拼接，形成特征图Ⅳ；S5：将特征图Ⅳ输入改进后的ECA模块中，施加通道注意力机制，得到特征图Ⅴ；S6：将特征图Ⅴ降维后与输入的特征图Ⅰ进行跳连形成最终的特征图。本发明相较于传统的神经网络，计算量大大减少，同时，相较于其他轻量级卷积神经网络，本发明可以提高多尺度特征信息，性能更好，准确度更高。
-
公开(公告)号：CN114067160B
公开(公告)日：2023-04-07
申请号：CN202111387970.8
申请日：2021-11-22
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/13 , G06N3/048 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于嵌入平滑图神经网络的小样本遥感图像场景分类方法，属于遥感图像识别领域。该方法首先将场景图片输入到嵌入学习模块中，通过一个卷积神经网络提取场景嵌入特征；再将嵌入平滑引入到场景分类中，在无监督的情况下捕获嵌入特征之间的相似性与差异性，提高嵌入特征的可区分性，扩展决策边界，降低无关特征的影响；同时通过注意力机制采用任务级关系来构建图矩阵，将目标样本与任务中的所有样本关联起来，并在不同场景类别之间产生更具有分辨力的关系表示；然后根据样本间的内在联系构造图；标签匹配模块可以根据构造的图，通过直推式学习迭代生成测试集中样本的预测标签，直到得到最优解。本发明能够实现图像的精确分类。
-
-
-
Search Results
4
records
(took 0.016 seconds)
