-
公开(公告)号：CN112733777A
公开(公告)日：2021-04-30
申请号：CN202110064751.X
申请日：2021-01-18
Applicant: 华侨大学
Abstract: 本发明实施例提供一种遥感图像的道路提取方法、装置、设备和存储介质，涉及图像处理技术领域。其中，这种道路提取方法包含：S101、获取遥感图像。S102、构建轻型U‑Net模型。S103、根据所述轻型U‑Net模型构建道路提取模型。其中，所述道路提取模型包括逐级连接的多个所述轻型U‑Net模型，以及将多个轻型U‑Net模型的输出融合成最终输出的融合模型。S104、根据所述道路提取模型从所述遥感图中提取道路提取图。通过逐级连接的多个所述轻型U‑Net模型，并通过融合模型将多个所述U‑Net模型的输出图像融合，以获得道路提取图。所使用的道路提取模型结构简单，且能够端对端的训练，一体化强，提取质量也很高。
-
公开(公告)号：CN112699835A
公开(公告)日：2021-04-23
申请号：CN202110038614.9
申请日：2021-01-12
Applicant: 华侨大学
Abstract: 本发明提供一种基于重建偏重U‑Net的道路提取方法、装置、设备和存储介质，方法包括：获取训练集和验证集；构建U‑Net神经网络模型，其中U‑Net神经网络模型包括编码器和解码器，所述编码器包括五个卷积模块，所述解码器包括四个上采样重建层；将所述训练集输入U‑Net神经网络模型进行训练，并保存所述网络模型的参数，以获得初始U‑Net神经网络模型；将所述验证集输入初始U‑Net神经网络模型并结合损失函数训练，直至模型收敛，以获得训练好的U‑Net神经网络模型。将待检测图像输入训练好的U‑Net神经网络模型，获取道路提取结果。本发明的道路提取U‑Net神经网络模型，能有效增强网络的重建能力，使得网络对于遮挡等信息，具备更好的逻辑推理能力，能取得更好的分割精度和鲁棒性。
-
公开(公告)号：CN112150484A
公开(公告)日：2020-12-29
申请号：CN202011038459.2
申请日：2020-09-28
Applicant: 华侨大学
Abstract: 本发明公开了一种超像素的狄利克雷混合模型图像分割方法、装置及设备，方法包括：读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；提取每个超像素块的邻域信息；对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；将归一化处理后的超像素块作为输入，利用k‑means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。本发明能提高图像分割的速度。
-
公开(公告)号：CN118097358A
公开(公告)日：2024-05-28
申请号：CN202410435450.7
申请日：2024-04-11
Applicant: 华侨大学
IPC: G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明提供的一种多层级信息遥感图像的目标检测方法、装置、设备及介质，涉及人工智能技术领域，通过获取遥感图像数据集，并对图像数据进行预处理后分别输入多个分支网络进行特征提取、融合得到不同尺度的融合特征图，将融合特征图输入FPN网络进行深层次特征提取后输入区域生成网络RPN，经过全连接层得到一组稀疏的定向候选框；根据融合特征图和定向候选框，将每个定向候选框对齐并提取出固定大小的特征向量，然后分别送入两个全连接层进行分类和回归，输出目标检测结果。本发明融合胶囊网络的特征思想，采用多分支网络结构，通过多层次信息融合弥补了卷积神经网络表征能力的不足，实现了在不同层次上的信息融合，获取到更丰富的图像特征表示。
-
公开(公告)号：CN119850443A
公开(公告)日：2025-04-18
申请号：CN202510327036.9
申请日：2025-03-19
Applicant: 华侨大学
Abstract: 本发明提供一种红外图像与可见光图像的融合方法，属于计算机视觉及人工智能技术领域，包括：步骤S1、构建生成融合图像的图像融合网络模型；步骤S2、获取红外图像和对应的可见光图像以形成训练数据集，利用训练数据集，以损失函数对融合网络模型进行训练，损失函数与可见光图像与融合图像的结构相似度损失、基于红外图像与对应的可见光图像的语义热力图掩码区域的结构相似度损失、图像强度损失和图像梯度损失有关；步骤S3、将待融合的红外图像和对应的可见光图像输入经步骤S2训练后的融合网络模型，以得到最终的融合图像。本发明无需人工操作，降低算力要求，能够实现对图像的实时处理，不易丢失信息，效率更高。
-
Patent Agency Ranking
公开(公告)号：CN117953163A
公开(公告)日：2024-04-30
申请号：CN202410234872.8
申请日：2024-03-01
Applicant: 华侨大学
Abstract: 本发明公开了一种融合轻量级Transformer和质数基混合位置编码的NeRF三维重构方法，包括以下步骤：获取三维场景图片，通过分层采样法获取三维场景中的点作为训练数据；构建融合轻量级Transformer和质数基混合位置编码的三维重构模型，并利用训练数据进行训练，获得训练好的三维重构模型；利用训练好的三维重构模型实现三维重构。本发明以同一场景下多个视角的图片作为输入，通过学习场景中点的位置和颜色信息对场景进行隐式的三维建模，模型训练完成后就可以渲染训练数据中未出现的视角下的场景图；通过采用Transformer结构以及以质数组合为基数的混合位置编码方式，在一定程度上解决了NeRF算法的伪影问题并提高了高频细节渲染能力，在图像渲染领域有着出色的性能。
-
公开(公告)号：CN111860465A
公开(公告)日：2020-10-30
申请号：CN202010794623.6
申请日：2020-08-10
Applicant: 华侨大学
Abstract: 本发明提供一种基于超像素的遥感图像提取方法、装置、设备及存储介质，方法包括：用超像素分割技术将训练图像分割成超像素块，生成不同尺寸的模型训练样本；根据生成的不同尺寸的模型训练样本，分别训练生成不同扫描尺寸的卷积神经网络模型；利用训练好的不同扫描尺寸的卷积神经网络模型，对训练图像进行提取，融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本；基于生成的高阶卷积神经网络的训练样本，训练生成高阶卷积神经网络模型，并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。本发明通过超像素块扫描，大大提升了处理的速度。
-
公开(公告)号：CN118470530A
公开(公告)日：2024-08-09
申请号：CN202410617956.X
申请日：2024-05-17
Applicant: 华侨大学
IPC: G06V20/10 , G06V20/13 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了基于Transformer联合卷积神经网络的遥感图像道路提取方法、构架，创新之处在于提出了一种随机切块编码辅助增强的模块，该模块可以无缝衔接融入Transformer模型，进一步结合卷积神经网络结构，形成了Transformer联合卷积神经网络的双分支网络架构。具体地，该方法将遥感图像作为输入，使方法在遥感图像在受树木等遮挡物影响的同时仍能获得较多的目标特征信息，从而解决遥感图像目标提取时目标丢失和信息提取不连续的问题，提升图像分割效果，模型整体的鲁棒性更好，遥感图像处理精度更高，能够满足现实应用的需要以及精度要求。
-
公开(公告)号：CN112733777B
公开(公告)日：2023-12-05
申请号：CN202110064751.X
申请日：2021-01-18
Applicant: 华侨大学
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明实施例提供一种遥感图像的道路提取方法、装置、设备和存储介质，涉及图像处理技术领域。其中，这种道路提取方法包含：S101、获取遥感图像。S102、构建轻型U‑Net模型。S103、根据所述轻型U‑Net模型构建道路提取模型。其中，所述道路提取模型包括逐级连接的多个所述轻型U‑Net模型，以及将多个轻型U‑Net模型的输出融合成最终输出的融合模型。S104、根据所述道路提取模型从所述遥感图中提取道路提取图。通过逐级连接的多个所述轻型U‑Net模型，并通过融合模型将多个所述U‑Net模型的输出图像融合，以获得道路提取图。所使用的道路提取模型结构简单，且能够端对端的训练，一体化强，提取质量也很高。
-
公开(公告)号：CN116402717A
公开(公告)日：2023-07-07
申请号：CN202310379951.3
申请日：2023-04-11
Applicant: 华侨大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明提供了基于自注意力机制与联合空洞卷积的GOCI图像修复去噪方法，包括：S1，训练阶段，训练生成器；S2，应用阶段，使用已经训练好的生成器对GOCI图像进行修复。所述S1训练阶段具体为：S11，选取训练图像及其原始完整图像；S12，编码器提取语义信息特征；S13，自注意力模块提取高级语义信息特征；S14，解码器对语义信息特征进行上采样，使用联合空洞卷积操作精炼修复与去噪结果，形成初步结果图像；S15，判别器结合初步结果图像和所述原始完整图像，计算对抗损失返回生成器。本发明减少掩膜预处理，克服了现有技术的步骤繁琐；采用自注意力机制促进编码器在修复过程中对语义信息的推理与还原；采用联合空洞卷积模块进一步增强多重采样的复杂度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.013 seconds)
