-
公开(公告)号：CN117523398A
公开(公告)日：2024-02-06
申请号：CN202311533992.X
申请日：2023-11-15
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/77 , G06V10/44 , G06V10/774 , G06N3/006
Abstract: 本发明涉及一种自适应迁移训练样本的遥感影像土地覆盖演变时空图分析方法，所述方法包括以下步骤：自适应迁移训练样本的遥感影像土地覆盖演变时空图分析准备工作、自适应迁移训练样本产生遥感长时间序列数据并使用模型进行土地覆盖分类制图、基于遥感长时间序列数据的土地覆盖演变时空图分析。与现有技术相比实现了自动识别和选择在不同时间段内保持稳定的像素作为训练样本，避免人工标注和选择样本的繁琐过程，解决人工确定阈值数值的不确定性，自适应迁移训练样本与长时间序列结合，构建土地覆盖分类演变时空图结构，揭示在经典图像时间序列分析中被忽视的时空关联和结构描述，从结构层面独特地切入土地覆盖演变过程。
-
公开(公告)号：CN114972078B
公开(公告)日：2023-05-05
申请号：CN202210503510.5
申请日：2022-05-09
Applicant: 安徽大学
Abstract: 本发明涉及应用SAR影像提升国产光学卫星影像无控几何质量方法及系统，与现有技术相比解决了稳健提升国产光学卫星无控几何定位精度。本发明包括以下步骤：构建附加太阳高度角变量的无控几何定位误差补偿模型；应用SAR影像提升国产光学卫星影像无控几何质量准备工作；应用从SAR影像中提取的参考数据对无控几何定位误差补偿模型系数进行求解。本发明提出一种对影响国产光学卫星无控几何质量的热稳定性误差进行补偿方法及系统，对影响无控几何定位误差根本原因进行建模，形成可操作性的无控几何质量提升途径，进而有效提升国产光学卫星影像的无控几何质量。
-
公开(公告)号：CN115331786A
公开(公告)日：2022-11-11
申请号：CN202211038079.8
申请日：2022-08-27
Applicant: 安徽大学
Abstract: 本发明涉及基于三维卷积神经网络的食管癌临床靶区自动勾画方法，所述方法包括以下步骤：CT影像以及标签的获取，数据预处理，模型构建与训练，模型测试与结果获取。与现有技术相比通过构建三维卷积神经网络，其中集成深度扩张卷积模块，能够在三维立体空间上捕捉深度信息，提取包含精细纹理和边界原始信息的多尺度上下文特征，以避免由于下采样导致的信息丢失问题，并在下采样结构中添加了3D空洞卷积层、批归一化层以及带泄露修正的线性激活单元，以实现快速稳定的收敛，使得分割精度进一步提升。本发明构建的三维卷积神经网络有效利用CT影像的深度信息，大大提高了分割精度，应用于临床环境可以节省勾画时间提高勾画准确性和一致性。
-
公开(公告)号：CN119418176B
公开(公告)日：2025-04-08
申请号：CN202510014546.0
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06V20/00 , G06V10/42 , G06V10/44 , G06V10/25 , G06V10/74 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种结合CNN曼巴的对比预训练云检测方法，所述方法包括以下步骤：构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比，CNN方法能提取图像的局部特征，曼巴方法能提取图像的全局特征，结合CNN和曼巴方法既可以留意图像中云的边缘细节，又能从整幅图像上看到云的区域，提高云检测的精度。同时利用云雪数据对网络进行预训练，让网络区分云和雪之间的差异，在后续微调阶段不会把雪错分成云，实现更精准的云检测任务。
-
公开(公告)号：CN119295952B
公开(公告)日：2025-04-08
申请号：CN202411812834.2
申请日：2024-12-10
Applicant: 安徽大学
Abstract: 本发明涉及一种空间对齐和因果交互的高光谱激光雷达协同分类方法，与现有技术相比，解决了现有的方法在进行高光谱激光雷达协同分类过程中，由于未考虑多模态图像由于拍摄过程、成像机制等引起的空间错位及模态差异，从而导致了分类精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态遥感影像数据集、构建空间对齐和因果交互的高光谱激光雷达协同分类模型、空间对齐和因果交互的高光谱激光雷达协同分类模型训练、图像分类结果获取。本发明通过预测空间偏移量实现多模态图像精确对齐，并且运用因果交互机制区分模态的因果与非因果因素，有效剔除模态特性干扰，确保高光谱激光雷达协同分类结果的精准度与鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN119295756B
公开(公告)日：2025-04-08
申请号：CN202411812830.4
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种抗非对齐的SAR‑光学影像耦合对比融合建筑物分割方法。本发明包括以下步骤：构建建筑物遥感影像分割多模态数据集；构建抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；训练抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型结果获取。与现有技术相比，解决了现有方法在处理多模态图像对弱对齐问题时，注重严格的模态对齐从而忽略了模态间的差距。本发明通过偏移引导自适应特征对齐模块捕获最佳的对齐位置，从而实现模态间的自适应对齐。进一步通过多模态图像融合的耦合对比学习框架提取模态间的互补特征，从而减少融合结果的冗余信息，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN119417743A
公开(公告)日：2025-02-11
申请号：CN202510013130.7
申请日：2025-01-06
Applicant: 安徽大学
Abstract: 本发明涉及一种多尺度表征光学影像低频定位误差自适应补偿方法，与现有技术相比实现了从时间、组成等维度考虑对低频误差解耦表征，适应构建低频误差补偿模型。本发明包括以下步骤：多尺度表征光学影像低频定位误差自适应补偿准备工作；对光学影像低频定位误差进行多时间尺度表征；考虑动态、静态误差解耦的光学影像低频定位误差模型自适应构建；利用非共线控制点对补偿模型进行偏最小二乘求解与补偿参数应用。本发明采用变分模态分解方法将低频误差表征成周期项、趋势项以及噪声项，根据其组份间量级大小关系，自适应构建低频误差补偿模型。
-
公开(公告)号：CN119027317B
公开(公告)日：2025-01-24
申请号：CN202411513371.X
申请日：2024-10-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4038 , G06T3/4046 , G06T5/70 , G06T5/60 , G06N3/084
Abstract: 本发明涉及一种基于全局引导条件扩散模型的高光谱影像超分方法，与现有基于扩散模型的技术相比，该方法解决了全局与局部信息建模不平衡以及空间细节恢复不足的问题，特别是在处理高频特征时，使得重建的图像在细节上不够清晰。本发明包括以下步骤：低分辨率高光谱图像的获取及预处理、构建基于全局引导条件扩散模型的高光谱影像超分模型、训练基于全局引导条件扩散模型的高光谱影像超分模型、高光谱超分辨率结果获取。本发明利用Diffusion Transformer扩散模型，通过动态调整注意力分布，增强模型处理复杂多样噪声模式的能力，确保在不同噪声水平下都能恢复出高质量图像，更好地保持细节和光谱一致性，同时实现更少的计算开销。
-
公开(公告)号：CN119273704A
公开(公告)日：2025-01-07
申请号：CN202411807262.9
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06T7/11 , G06T5/70 , G06T5/60 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法，通过结合显著性伪标签和扩散去噪网络，提高肿瘤分割的准确性。首先，对食管肿瘤CT图像进行预处理，并生成显著性伪标签，增强网络对肿瘤区域的关注。然后，构建显著性参考的分割网络和扩散去噪网络，采用条件扩散模型逐步加噪和去噪还原图像。设计了分割与去噪任务解耦的多任务学习框架，通过一致性约束确保任务之间的协同优化。通过联合优化交叉熵损失、Dice损失、均方误差和一致性损失，提高分割性能。实验结果表明，该方法能有效提升食管肿瘤的分割精度，具有较强的临床应用潜力。
-
公开(公告)号：CN119027317A
公开(公告)日：2024-11-26
申请号：CN202411513371.X
申请日：2024-10-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4038 , G06T3/4046 , G06T5/70 , G06T5/60 , G06N3/084
Abstract: 本发明涉及一种基于全局引导条件扩散模型的高光谱影像超分方法，与现有基于扩散模型的技术相比，该方法解决了全局与局部信息建模不平衡以及空间细节恢复不足的问题，特别是在处理高频特征时，使得重建的图像在细节上不够清晰。本发明包括以下步骤：低分辨率高光谱图像的获取及预处理、构建基于全局引导条件扩散模型的高光谱影像超分模型、训练基于全局引导条件扩散模型的高光谱影像超分模型、高光谱超分辨率结果获取。本发明利用Diffusion Transformer扩散模型，通过动态调整注意力分布，增强模型处理复杂多样噪声模式的能力，确保在不同噪声水平下都能恢复出高质量图像，更好地保持细节和光谱一致性，同时实现更少的计算开销。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.046 seconds)
