-
公开(公告)号：CN119832393A
公开(公告)日：2025-04-15
申请号：CN202510307879.2
申请日：2025-03-17
Applicant: 湖南大学
IPC: G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/082 , G06V10/764 , G06V10/774 , G06V10/778 , G06V10/80
Abstract: 本发明公开了用于遥感变化检测的噪声标签鲁棒学习方法、系统和设备，提出了边缘引导的跨级差异增强模块，通过低级‑高级特征交互，改进低级差异特征的边缘，并利用边缘改进后的差异特征引导高级双时相特征进行差异增强，充分挖掘了双时相图像的边缘信息和变化信息，基于不确定性分析的噪声标签联合检测策略，结合样本的不确定值和预测概率，识别潜在噪声标签并矫正，降低了将困难样本识别为噪声样本的风险；设计了一种困难样本自适应增强的噪声鲁棒损失函数，基于样本的不确定值，自适应的为样本分配损失权重，不确定值越大，样本学习越困难，损失权重越大，通过这种方式迫使网络学习更复杂和更困难的特征表示，增强模型对噪声标签的鲁棒性。
-
公开(公告)号：CN119830953A
公开(公告)日：2025-04-15
申请号：CN202510300133.9
申请日：2025-03-14
Applicant: 湖南大学
IPC: G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/082 , G06F18/213 , G06F18/25 , G01N33/18
Abstract: 本发明公开了一种基于移位窗口注意力和动态图的水质预测方法和系统，获取水质数据并进行处理得到水质时间序列数据；将水质时间序列数据输入至卷积层，将卷积后的时间序列数据输入至基于移位窗口注意力的门控时间卷积模块来学习时间上的依赖性与周期性特征，得到中间输出特征；动态图构建模块结合上一循环的输出结果生成动态图，中间输出特征和动态图输入至基于移动窗口注意力的图卷积模块来学习空间上的依赖性和局部关系，得到当前循环的输出结果，在循环层内循环预设次；所有循环层的中间输出特征都输出到输出层，输出未来时间序列的预测结果。实现了对时间步、通道以及图的自适应动态权重分配，提升了水质预测的精度。
-
公开(公告)号：CN118505509B
公开(公告)日：2024-10-18
申请号：CN202410947686.9
申请日：2024-07-16
Applicant: 湖南大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/08 , G06T5/50 , G06T7/13
Abstract: 一种基于动态边缘引导网络的高分辨率多光谱图像重建方法，包括：S1、构建数据集；S2、建立多光谱图像重建网络；S3、选择一组图像，将全色图像输入到边缘检测算子、动态边缘引导网络中，得到空间边缘信息；空间边缘信息经过上采样，得到第二梯度边缘图；S4、把第一多光谱图像和全色图像输入到融合网络中，并与空间边缘信息融合，得到第二多光谱图像，将第二多光谱图像输入到超分辨率网络中，并与空间边缘信息融合，得到第三多光谱图像；S5、训练多光谱图像重建网络；S6、将训练后的多光谱图像重建网络应用于图像重建。本发明可以生成更高分辨率的多光谱图像，同时可以自适应的利用图像边缘先验并且无需增加额外的计算负担。
-
公开(公告)号：CN118658150A
公开(公告)日：2024-09-17
申请号：CN202411140040.6
申请日：2024-08-20
Applicant: 湖南大学
Abstract: 本发明公开了一种基于显著性目标检测的复杂背景下棉花病害识别方法，先搭建棉花病害识别模型，获取棉花病害数据集，输入至特征编码模块中，提取棉花图像的语义特征和带有背景噪声的病害特征，语义特征输入至掩码解码模块得到突出前景的掩码；将掩码输入至特征变换模块，得到变换的掩码特征；将带有背景噪声的病害特征和变换的掩码特征输入识别解码模块，整合掩码特征中的前景信息和提取的病害特征进行虫害检测，得到识别结果；根据识别结果和预设的损失函数、指数移动平均方法对棉花病害识别模型的参数进行更新；获取实时棉花病害图片，输入至更新后的棉花识别模型，得到棉花病害识别结果。提高模型鲁棒性以及复杂环境下棉花病害识别准确率。
-
公开(公告)号：CN118658033A
公开(公告)日：2024-09-17
申请号：CN202411133555.3
申请日：2024-08-19
Applicant: 湖南大学
IPC: G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/46 , G06V10/82
Abstract: 本发明公开了一种基于显著机制和多层注意感知的偏振和强度图像融合方法，将偏振与强度图像输入密集连接特征提取编码器得到相应的源图像特征，并输入多层递进注意感知融合模块进行图像融合操作，输出融合特征；将偏振图像馈送进偏振显著目标突出机制中，基于强度显著性和空间紧凑性挖掘偏振图像中高亮度的极化显著目标，得到偏振极化目标显著图；对融合特征和偏振极化目标显著图进行拼接操作，将拼接后得到的特征输入到图像重构解码器中，经由多层卷积处理重构得到融合图像，基于深度特征图的损失函数对融合网络进行训练，基于训练好的融合网络进行实时偏振和强度图像融合。可实现理想的偏振极化信息和纹理细节的融合效果，获得高质量的融合图像。
-
Patent Agency Ranking
公开(公告)号：CN118470548B
公开(公告)日：2024-09-17
申请号：CN202410932055.X
申请日：2024-07-12
Applicant: 湖南大学
IPC: G06V20/10 , G06V20/70 , G06V10/26 , G06V10/766 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/096
Abstract: 本发明公开了一种基于宽度学习的异质图像变化检测方法，预设异质图像变化检测模型，获取两张待检测的异质图像并对其进行分割，得到多个特征对，特征节点生成及换域模块接收多个特征对并进行特征节点生成和换域，得到两个空间域下各自对应的不同时相特征，差分增强模块接收两个空间域各自对应的不同时相的特征节点并处理，得到各空间域差分节点，输出层接收各空间域差分节点并计算，输出两张待检测的异质图像在各空间域的变化检测结果，根据各空间域的变化检测结果得到两张待检测的异质图像的变化检测结果。该方法采用宽度学习系统进行异质图像变化检测，增强了特征之间的鲁棒性和非线性性，能有效地利用特征。
-
公开(公告)号：CN118447401A
公开(公告)日：2024-08-06
申请号：CN202410610986.8
申请日：2024-05-16
Applicant: 湖南大学
IPC: G06V20/10 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于卷积和宽度学习的SAR图像变化检测方法，搭建卷积和宽度学习网络模型，该模型包括交叉特征提取模块和双宽度学习模块，获取第一和第二时相SAR图像并组成双时相SAR图像，将双时相图像输入交叉特征提取模块处理，输出各自对应的多层深度交叉特征，将双时相SAR图像和各自对应的多层深度交叉特征分别进行拼接，双宽度学习模块接收拼接后的交叉特征并处理，预测出双时相SAR图像的变化图。该方法将深度学习网络和宽度学习系统结合起来进行变化检测，其中交叉特征提取模块在提取特征时无需训练即可探索双时相图像之间的相关性，双宽度学习模块能够扩展双时态特性并分析差异，使其兼容SAR图像变化检测任务。
-
公开(公告)号：CN118333881A
公开(公告)日：2024-07-12
申请号：CN202410505420.9
申请日：2024-04-25
Applicant: 湖南大学
Abstract: 本发明公开了基于信息交互和边缘引导的红外与可见光图像融合方法，将数据集中的可见光图像和红外图像同时输入融合网络，经由多粒度特征分离编码器得到五对不同粒度的特征，分别输入三分支场景保真模块进行图像融合操作，得到五个不同粒度的融合特征；再输入渐进式跨粒度交互特征增强模块，经由该模块运算处理得到五个不同粒度的增强特征；再依次输入到图像重构解码器中，进行拼接、降维处理，重构得到融合图像；基于可见光图像、红外图像、融合图像和边缘‑内容引导损失函数对融合网络进行训练，基于训练好的融合网络进行实时可见光图像和红外图像融合。提升了融合图像的整体对比度以及视觉质量。
-
公开(公告)号：CN118211177A
公开(公告)日：2024-06-18
申请号：CN202410305327.3
申请日：2024-03-18
Applicant: 湖南大学
IPC: G06F18/25 , G06F18/213 , G06F18/211 , G06N3/088 , G06N3/0464 , G06N3/048 , G01W1/10 , G01W1/14
Abstract: 一种基于无监督自适应融合网络的卫星降水数据融合方法，包括：1、构建自适应融合网络；2、将两种卫星降水数据分别通过两个第一增强特征提取模块进行初始特征提取，分别得到两个初始特征图；3、将两个初始特征图输入到自适应融合模块中，得到第二融合特征，再将第二融合特征输入到第二增强特征提取模块中，得到融合降水产品；4、依据融合降水产品与原始卫星降水数据，并采用无监督优化方式训练自适应融合网络，对自适应融合网络参数进行优化更新；5、将训练后的自适应融合网络应用于降水估测。本发明可在无观测数据的情况下进行无监督优化，对于无地面站点区域具有重要意义；同时本发明还生成了一套高质量的降水产品，对水文研究有重要意义。
-
公开(公告)号：CN116563696A
公开(公告)日：2023-08-08
申请号：CN202211616101.2
申请日：2022-12-15
Applicant: 湖南大学
Abstract: 本发明公开了一种基于物候先验的通用作物制图损失函数，包括作物物候先验交叉熵损失，并以油菜在时间序列制图进行验证。作物物候先验交叉熵损失包括两个关键步骤：首先，通过综合植被指数提取油菜的物候特征；然后，利用物候特征作为先验知识进行损失优化，以更加关注油菜像素的识别。其中，油菜制图算法的整体框架，主要包括两大部分：先验监督和深度学习模型；所述深度学习模型包括LSTM、1DCNN和DNN。本发明一种基于物候先验的通用作物制图损失函数，该技术使用简单且容易操作；它为深度学习模型在不改变网络结构和增加计算量的情况下提高作物制图的精度提供了一种新的解决思路，此外采用物候先验进行作物制图的想法是通用的。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.037 seconds)
