-
公开(公告)号：CN117689579A
公开(公告)日：2024-03-12
申请号：CN202311704091.2
申请日：2023-12-12
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种渐进式双解耦的SAR辅助遥感影像厚云去除方法，所述方法包括以下步骤：获取厚云遮挡光学遥感影像、无云参考影像和SAR影像三元数据集；构建渐进式双解耦的SAR辅助遥感影像厚云去除模型；训练渐进式双解耦的SAR辅助遥感影像厚云去除模型；待厚云去除的厚云遮挡光学遥感影像及对应SAR影像数据的获得及预处理；光学遥感影像厚云去除结果的获得。与现有技术相比，通过构建SAR和光学影像渐进式融合模块，充分利用两种模态间的互补信息，加强对光学影像缺失信息的补充和对SAR影像中噪声、形变的抑制。同时本发明设计的频域和空域双解耦特征处理架构，使得去云影像在光谱信息和结构信息的保持上均表现优异。
-
公开(公告)号：CN117522824A
公开(公告)日：2024-02-06
申请号：CN202311531117.8
申请日：2023-11-16
Applicant: 安徽大学
IPC: G06T7/00 , G06T7/11 , G06T7/90 , G06V10/764 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于域知识库的多源域泛化的云和云阴影检测方法，所述方法包括以下步骤：基于域知识库的多源域泛化的云和云阴影检测准备工作、构建与训练基于域知识库的多源域泛化的云和云阴影检测模型、对基于域知识库的多源域泛化的云和云阴影检测模型测试和求解。与现有技术相比，通过基于域知识库的多源域泛化的云和云阴影检测网络，本发明解决了现有云和云阴影检测任务中由于数据量局限以及域差异导致的难以将源训练模型推广至目标数据集的问题，实现了一个可以适应到其他卫星域的较好泛化能力的模型。
-
公开(公告)号：CN116645380A
公开(公告)日：2023-08-25
申请号：CN202310688086.0
申请日：2023-06-12
Abstract: 本发明涉及基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法，与现有技术相比解决了难以针对食管癌CT图像进行自动分割的缺陷。本发明包括以下步骤：食管癌CT图像的获取及预处理；构建食管癌CT图像分割模型；食管癌CT图像分割模型的训练；待分割食管癌CT图像的获得及预处理；食管癌CT图像分割结果的获得。本发明基于食管CT影像噪声大、分辨率不高、有伪影的特点，提出用图像超分辨率重建网络提取的特征，再渐进式融合到分割网络中，有效的增强了食管CT影像的质量，能够使网络提取到更加丰富的细节特征，可以有效地进行食管癌靶区的分割和勾画，提高分割的准确性和效率。
-
公开(公告)号：CN115830597A
公开(公告)日：2023-03-21
申请号：CN202310014291.9
申请日：2023-01-05
Applicant: 安徽大学
IPC: G06V20/70 , G06V10/26 , G06V20/13 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法，所述方法包括以下步骤：基于伪标签生成的从局部到全局的域自适应遥感影像语义分割准备工作、构建与训练基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型、对基于伪标签生成的从局部到全局的域自适应遥感影像语义分割模型求解和验证。与现有技术相比通过构建从局部到全局的域自适应遥感影像语义分割网络，解决了超高分辨率遥感影像难以自适应的问题，并从局部语义特征差异到全局结构特征差异进行特征对齐，得到局部以及全局的特征表示，使超高分辨率遥感影像域自适应的语义分割精度得到提升。
-
公开(公告)号：CN115830471A
公开(公告)日：2023-03-21
申请号：CN202310007711.0
申请日：2023-01-04
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种多尺度特征融合和对齐的域自适应云检测方法，所述方法包括以下步骤：多尺度特征融合和对齐的域自适应云检测准备工作、构建与训练多尺度特征融合和对齐的域自适应云检测模型、对多尺度特征融合和对齐的域自适应云检测模型测试和求解。与现有技术相比，通过构建多尺度特征融合和对齐的域自适应网络，及提出的多尺度特征融合模块和特征对齐模块。与现有云检测技术相比，本发明解决了现有云检测技术对于碎云及边界检测困难，并且使云检测网络生成源和目标域数据集的域不变特征，从而解决由于域差异导致的难以将源训练模型推广至目标数据集的问题。
-
Patent Agency Ranking
公开(公告)号：CN115015931A
公开(公告)日：2022-09-06
申请号：CN202210626755.7
申请日：2022-06-05
Applicant: 安徽大学
Abstract: 本发明设计一种无需外部误差校正的实时差分立体SAR几何定位方法及系统，与现有技术相比解决了常规立体SAR几何定位对精密定轨数据的要来，以及需要对观测值进行大气误差改正等缺陷。本发明包括以下步骤：差分立体观测数据准备；差分观测值的获取；差分立体方程构建；差分立体方程求解。本发明无需高精度精密定轨数据和外部大气校正情况下，仅在一个参考坐标点的基础上，实现高精度立体SAR几何定位精度，满足对实时性较高的高精度几何定位应用需求。
-
公开(公告)号：CN119417743B
公开(公告)日：2025-04-08
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：CN119206238B
公开(公告)日：2025-04-08
申请号：CN202411699456.1
申请日：2024-11-26
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/09 , G06N3/0895
Abstract: 本发明涉及一种基于循环双任务互惠学习的遥感多模态影像分割方法。本发明包括以下步骤：构建多模态遥感影像分割任务数据集和合成任务数据集；构建基于高光谱和激光雷达数据融合的分割网络；构建基于地物分类图和多光谱影像的高光谱合成网络；构建包括分割与合成的循环双任务互惠学习框架；训练基于循环双任务互惠学习的多模态影像分割网络及结果获取。与现有技术相比，本发明通过循环双任务互惠学习框架，使得分割网络与合成网络相互促进，有效提升了分割结果的细节保留及跨模态特征的一致性，并且增强了网络在模态缺失情况下的适应性，能够在信息不全和模态不对齐的情况下提供稳定的分割效果，适用于多源遥感数据融合处理及影像分割任务。
-
公开(公告)号：CN119444875A
公开(公告)日：2025-02-14
申请号：CN202510027732.8
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06T7/80 , G01S13/90 , G06V20/13 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明涉及一种提示学习和SAR数据辅助光学影像外参数自主标定方法，与现有技术相比实现了摆脱地面控制点依赖和融合多源信息，构建光学影像外参数补偿模型。本发明包括以下步骤：提示学习和SAR辅助的光学影像外参数自主标定方法准备工作；SAR卫星影像转换伪光学影像；基于提示学习的光学影像外参数自主标定模型构建；基于提示学习的光学影像外参数自主标定模型训练；光学影像外参数自主标定模型的应用。本发明通过引入SAR影像和提示学习技术，在传统标定方法无法覆盖的区域，如极地、沙漠和山林区域中外参数定标性能表现尤为突出。
-
公开(公告)号：CN119418176A
公开(公告)日：2025-02-11
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。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.035 seconds)
