-
公开(公告)号：CN118864865B
公开(公告)日：2024-11-29
申请号：CN202411345013.2
申请日：2024-09-25
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/048
Abstract: 本发明涉及一种基于对比学习和多模态融合的遥感影像水体分割方法，与现有技术相比，解决了现有的方法在处理遥感影像水体分割问题时，分割性能严重依赖训练样本的数量及质量和忽视了不同模态之间的互补信息，从而导致分割结果的精度和鲁棒性不足的问题。本发明包括以下步骤：获取多模态的遥感影像数据集、构建基于对比学习和多模态融合的遥感影像水体分割模型、基于对比学习和多模态融合的遥感影像水体分割模型训练、水体分割结果获取。本发明充分利用了遥感影像中的多模态信息，通过对比学习提取各模态间的互补和对比特性，进一步通过多模态融合策略整合各模态信息，从而在规则化和优化水体分割的解空间，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN118279194B
公开(公告)日：2024-08-16
申请号：CN202410674163.1
申请日：2024-05-28
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于多尺度转换器和互惠的云检测与去除方法，所述方法包括以下步骤：获取光学遥感云检测与去除影像数据集；构建基于多尺度转换器的云检测与去除互惠模型；基于多尺度转换器的云检测与去除互惠模型训练；获取待处理有云光学遥感影像数据；获取待处理影像云检测与去除结果。与现有技术相比，通过挖掘云检测与云去除任务共享的遥感影像中的云特征，增强二者在特征提取方面的协同增益能力，从而有效区分云和类云地物；同时利用云检测和去除双任务之间的约束关系，进一步细化分割云掩膜，使得去云结果在保证非云覆盖区域信息无损的同时获得云覆盖区域缺失信息补偿。
-
公开(公告)号：CN118247668A
公开(公告)日：2024-06-25
申请号：CN202410657058.7
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/096
Abstract: 本发明涉及一种基于扩散模型的高光谱图像多源域域自适应分类方法。本发明包括以下步骤：基于批归一化层统计迁移的源域模型初始化；构建基于扩散模型的模型生成算法；训练基于扩散模型的多源域域自适应模型；基于信息熵最小化和对比学习算法的目标域模型微调。与现有技术相比，本发明通过基于扩散模型的多源域域自适应模型，解决了现有高光谱分类任务中由于目标域标签数据缺乏以及多源域之间、源域目标域之间存在域差异而导致的难以将多源域训练模型迁移至目标域数据集的问题,并且目标域模型生成过程中不访问源域数据只访问源域训练模型从而减少了数据传输、数据存储的负担，实现快速将地多种卫星数据上训练的模型迁移到目标卫星数据的方法。
-
公开(公告)号：CN117934978B
公开(公告)日：2024-06-11
申请号：CN202410330740.5
申请日：2024-03-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06V20/10
Abstract: 本发明涉及一种基于对抗学习的高光谱和激光雷达多层融合分类方法，与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤：高光谱和激光雷达数据的特征提取；多注意力的对抗性学习；多层次特征融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征，但是，很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点，提出用三支路提取数据特征，利用对抗性网络学习无标签数据的特征，并采用多注意力层次融合多模态特征进入分类网络，有效地解决了多模态数据融合分类问题，提高了分类的准确性和效率。
-
公开(公告)号：CN117934519B
公开(公告)日：2024-06-07
申请号：CN202410324602.6
申请日：2024-03-21
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/00 , G06N3/044 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种非配对增强合成的食管肿瘤CT图像自适应分割方法，与现有技术相比解决了非配对的CT影像合成增强CT影像有伪影以及食管癌边缘模糊难以分割的缺陷。本发明包括以下步骤：食管癌CT影像和增强CT影像的获取及预处理；构建非配对的食管癌CT影像和增强CT影像合成与分割模型；非配对的食管癌CT影像与增强CT影像合成与分割模型的训练；待合成和分割食管癌CT影像的获得及预处理；非配对的食管癌CT影像和增强CT影像合成与分割结果的获得。本发明针对非配对的CT影像和增强CT影像对比度差异大、食管癌边界不明显的特点，提出一种新的合成与分割统一框架的方法，同时合成增强CT影像和分割食管癌，有效地提升了合成效果以及食管癌分割的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117474801B
公开(公告)日：2024-05-07
申请号：CN202311425998.5
申请日：2023-10-30
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/60 , G06V10/42 , G06V10/44 , G06V10/56 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种融合时空频信息的非均匀遥感视频影像去雾方法，所述方法包括以下步骤：获取合成有雾遥感视频影像数据集；构建融合时域、空域和频域信息的非均匀遥感视频影像去雾模型；非均匀遥感视频影像去雾模型训练；待去雾真实遥感视频影像数据获取；待去雾真实遥感视频影像去雾结果的获取。与现有技术相比，通过构建帧间三维卷积时空特征聚合模块，能够有效利用遥感视频影像数据连续帧间的相似信息，挖掘时空特征，提高图像恢复的质量，同时本发明结合频域分析的方法进行帧内去雾，充分考虑影像低频信息和高频信息的差异，均衡影像全局亮度、对比度、颜色信息和恢复局部细节纹理。
-
公开(公告)号：CN117893827A
公开(公告)日：2024-04-16
申请号：CN202410083823.9
申请日：2024-01-19
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/0455 , G06N3/084 , G06N3/09 , G06N3/0475 , G06V10/82
Abstract: 本发明涉及一种基于模态注意力的循环生成学习的高光谱和激光雷达分类方法，与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤：高光谱和激光雷达数据的特征提取；模态注意力的循环生成学习；多尺度决策级融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征，但是，很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点，提出用三支路提取数据特征，利用循环生成网络学习无标签数据的特征，并采用模态注意力浅层融合和多尺度决策级深层融合多模态特征进入分割网络，有效地解决了多模态数据融合分类问题，提高了分割的准确性和效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.031 seconds)
