-
公开(公告)号：CN114359636B
公开(公告)日：2025-04-18
申请号：CN202210020297.2
申请日：2022-01-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/764 , G06N20/00
Abstract: 本发明公开了一种采用全局‑局部通道注意力模块校准高光谱特征方法，包括：通过骨干网络提取高光谱原始图像的深度语义特征，得到局部高光谱特征图；采用全局‑局部通道注意力模块，通过压缩、复制、连接、激励和校准五个步骤，实现重新校准所述局部高光谱特征图。本发明提出了一个全局‑局部通道注意力模块以即插即用的方式工作，以像素方式灵活且精确地重新校准通道特性响应，增强了有用信息，抑制了无用信息，重新校准的特征映射，减少了冗余和噪声，有效地提高了基于深度学习网络的高光谱图像分类方法的性能，可以应用于任何现有的基于深度高光谱图像分类中，同时无需额外的计算成本。
-
公开(公告)号：CN114359636A
公开(公告)日：2022-04-15
申请号：CN202210020297.2
申请日：2022-01-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/764 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种采用全局‑局部通道注意力模块校准高光谱特征方法，包括：通过骨干网络提取高光谱原始图像的深度语义特征，得到局部高光谱特征图；采用全局‑局部通道注意力模块，通过压缩、复制、连接、激励和校准五个步骤，实现重新校准所述局部高光谱特征图。本发明提出了一个全局‑局部通道注意力模块以即插即用的方式工作，以像素方式灵活且精确地重新校准通道特性响应，增强了有用信息，抑制了无用信息，重新校准的特征映射，减少了冗余和噪声，有效地提高了基于深度学习网络的高光谱图像分类方法的性能，可以应用于任何现有的基于深度高光谱图像分类中，同时无需额外的计算成本。
-
公开(公告)号：CN116523892A
公开(公告)日：2023-08-01
申请号：CN202310551472.5
申请日：2023-05-16
Applicant: 北京理工大学 , 北京理工大学重庆创新中心
Abstract: 本发明提供一种用于遥感矿斑层级特征增强的变化检测系统及方法，属于图像处理技术领域，解决了传统变化检测方法中的局限性问题；包括：数据预处理模块，编码器模块，解码器模块；原始遥感矿斑图像首先经过数据预处理模块，再将处理后的数据输入编码器模块中，提取遥感图像的多层语义信息，同时，编码器模块将深层次语义信息和浅层次语义信息合理结合，得到更有价值的特征图；在解码器模块，解码器由自适应尺度增强模块和监督注意力模块组成，实现对特征图的解码，最后逐级相加得到解码后的多个不同层级的特征图用于计算损失函数；本发明具有能充分挖掘、捕获遥感图像多层次信息特征的特点，能够高效的完成遥感矿斑图像的变化检测任务。
-
公开(公告)号：CN114359675A
公开(公告)日：2022-04-15
申请号：CN202210039812.1
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于半监督神经网络的高光谱图像显著图生成方法，包括：构建半监督神经网络；所述半监督神经网络包括孪生预测模块和注意力辅助模块；利用完全监督数据集对孪生预测模块和注意力辅助模块进行预训练；利用预训练的注意力辅助模块对弱监督数据集生成像素级掩码；使用像素级掩码和弱监督数据集对预训练的对孪生预测模块进行完全监督训练；利用完全监督训练好的孪生预测模块对输入的高光谱图像生成显著图。本发明采用半监督神经网络提取高光谱图像特征并直接生成预测显著图，极大的节省了像素级标注成本，提高模型鲁棒性和检测精度，能够生成质量更高的显著图。
-
-
-
Search Results
4
records
(took 0.049 seconds)
