-
公开(公告)号：CN115641465A
公开(公告)日：2023-01-24
申请号：CN202211105685.7
申请日：2022-09-09
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于Transformer轻量化模型的遥感图像分类方法，涉及图像分类技术领域，包括：根据实际情况对光学遥感图像进行可视化和预处理；再通过图像编码模块获取光学遥感图像的图像编码信息；然后通过MLP模块对光学遥感图像的图像编码信息进行特征提取，获取信息编码；再通过Attention模块提取信息编码中的特征信息；然后Attention模块提取出的特征信息和MLP模块获取的信息编码经残差模块叠加后，由归一化模块进行归一化处理；最后由归一化模块进行归一化处理后，经FNN模块送入分类模块中，从而得出最终的分类结果；本发明，在中小数据集上的训练效果高于经典Transformer模型，且减少了模型计算量，节省了计算资源，提升了分类速度。
-
公开(公告)号：CN110232738B
公开(公告)日：2022-12-02
申请号：CN201910527646.8
申请日：2019-06-18
Applicant: 西安电子科技大学
IPC: G06T17/05 , G06V10/774 , G06V10/46
Abstract: 本发明公开了一种基于视差图和关键点的多视图遥感图像立体重构方法，主要解决现有技术中遥感图像重构精度不高的缺陷，其实现步骤为：(1)选择图像对；(2)生成地物类别标签；(3)生成融合地物类别标签的视差图；(4)生成每个图像对的数字表面模型DSM；(5)融合每个图像对的数字表面模型DSM；(6)标记关键点；(7)优化融合的数字表面模型DSM；(8)立体重构三维模型。本发明提高了建筑物与地面类别的遥感目标的重构精度，能够自适应地满足不同地物类别标签目标的视差计算精度要求，提高了遥感图像的重构速度。
-
公开(公告)号：CN110211138B
公开(公告)日：2022-12-02
申请号：CN201910494015.0
申请日：2019-06-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于置信点的遥感图像分割方法，主要解决现有技术中高分辨率遥感影像分割精度不高的缺陷。本发明的具体步骤如下：(1)构建卷积神经网络；(2)生成两个训练集；(3)生成两个测试集；(4)对测试集进行地物类别标签预测；(5)标记每个置信点像素；(6)修正建筑物类别；(7)更新植物类别；(8)得到最终的地物类别标签。本发明具有提高植被与建筑物类别精度，不仅对低分辨率的遥感图像有较好的分割效果，而且对高分辨率的遥感图像也具有较好的分割效果。
-
公开(公告)号：CN114882294A
公开(公告)日：2022-08-09
申请号：CN202210657479.0
申请日：2022-06-10
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种多目标进化卷积神经网络的高光谱图像分类方法，主要解决现有技术中网络较复杂，分类精度较低的问题。本发明具体步骤如下：(1)初始化个体架构信息组成种群；(2)解码个体生成训练集，验证集和卷积神经网络；(3)计算卷积神经网络的分类精度与浮点运算次数作为两个适应度；(4)采用交叉，变异，多目标选择对种群迭代更新得到最优种群；(5)使用最优种群中分类精度最高的个体对应的卷积神经网络对待高光谱图像进行分类。本发明采用进化算法实现对卷积神经网络自动设计，并使用多目标优化，具有针对高光谱图像分类问题精度高，结构简单的优点。
-
公开(公告)号：CN110533679B
公开(公告)日：2021-09-03
申请号：CN201910688034.7
申请日：2019-07-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，主要解决现有技术合成孔径雷达SAR图像边缘检测不准确以及耗时长的问题。其实现步骤如下：(1)生成含有48个伽柏卷积核的卷积核模型；(2)计算每个卷积核对应的卷积图；(3)通过计算卷积图获得图像的梯度边缘；(4)计算每个卷积核对应的对数变换卷积图；(5)通过计算对数变换边缘卷积图获得图像的比率边缘；(6)将梯度边缘和比率边缘进合并，从而得到最终的SAR图像边缘检测结果。本发明得到了良好SAR图像的边缘检测结果，可用于SAR图像的地形检测，灾害探测。
-
Patent Agency Ranking
公开(公告)号：CN110532859B
公开(公告)日：2021-01-22
申请号：CN201910648586.5
申请日：2019-07-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度进化剪枝卷积网的遥感图像目标检测方法，解决现有遥感图像目标检测中未对检测速度及检测精度同时全局有效优化的问题。具体步骤：处理数据集；构建深度卷积特征提取子网；构建全卷积FCN检测子网；构建并训练深度卷积目标检测网络；构建并训练基于深度进化剪枝卷积网的目标检测网络；用训练好的模型对测试数据集进行目标检测；输出测试结果。本发明用深度可分离卷积构造反残差结构，在高检测精度的同时大幅降低模型参数量；目标检测网络与进化剪枝相结合，实现全局加速。本发明大幅降低计算量、显著提高目标检测速度，检测精度高，用于对遥感图像中的飞机与舰船等小目标进行快速、准确检测。
-
公开(公告)号：CN110111346B
公开(公告)日：2020-12-08
申请号：CN201910399019.0
申请日：2019-05-14
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于视差信息的遥感图像语义分割方法，用于解决现有技术中存在的分割精度较低的技术问题，实现步骤为：获取训练样本集和测试样本集；对训练样本集进行预处理；对视差网络进行训练；对测试样本集进行视差检测；获取测试样本集的视差信息；对语义分割网络进行训练；对测试样本集进行语义检测；对初步语义分割结果进行修正；获取最终的语义分割结果。本发明对遥感图像的视差结果进行左右一致性检测LRC，再利用检测得到的视差信息对语义分割结果进行修正，并提出了一个全新的语义切块融合检测方法，显著提高了语义分割的精度。可用于地质检测、土地利用、城市规划、自动驾驶、人机交互、医疗图像识别等现实应用。
-
公开(公告)号：CN110232738A
公开(公告)日：2019-09-13
申请号：CN201910527646.8
申请日：2019-06-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于视差图和关键点的多视图遥感图像立体重构方法，主要解决现有技术中遥感图像重构精度不高的缺陷，其实现步骤为：(1)选择图像对；(2)生成地物类别标签；(3)生成融合地物类别标签的视差图；(4)生成每个图像对的数字表面模型DSM；(5)融合每个图像对的数字表面模型DSM；(6)标记关键点；(7)优化融合的数字表面模型DSM；(8)立体重构三维模型。本发明提高了建筑物与地面类别的遥感目标的重构精度，能够自适应地满足不同地物类别标签目标的视差计算精度要求，提高了遥感图像的重构速度。
-
公开(公告)号：CN110097129A
公开(公告)日：2019-08-06
申请号：CN201910376741.2
申请日：2019-05-05
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于轮廓波分组特征金字塔卷积的遥感目标检测方法，解决了光学遥感图像飞机与舰船在边缘模糊时召回率低、虚警率高的问题。实现步骤：构建测试数据集；构建训练数据集；对数据集进行非轮廓下采样变换；构建基于分组特征金字塔卷积目标检测网络；利用数据集训练基于分组特征金字塔卷积的目标检测网络；用训练好的基于分组特征金字塔卷积的目标检测网络对测试数据集进行目标检测；输出测试结果。本发明用非下采样轮廓边缘加强图像边缘特征，并构建分组卷积和特征金字塔网络，更适于光学遥感图像目标检测，针对边缘模糊的小目标检测准确率明显提高。用于光学遥感图像的地物目标检测。
-
公开(公告)号：CN109063760A
公开(公告)日：2018-12-21
申请号：CN201810808001.7
申请日：2018-07-22
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6282 , G06K9/6256 , G06K9/6268
Abstract: 本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题，实现步骤为：构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，并初始化模型的相关参数；对待分类的极化SAR图像进行Lee滤波；对滤波后的极化SAR图像进行预处理；获取训练数据集；将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；对极化SAR图像进行分类。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.035 seconds)
