-
公开(公告)号：CN113361546A
公开(公告)日：2021-09-07
申请号：CN202110679806.8
申请日：2021-06-18
Applicant: 合肥工业大学
Abstract: 本发明公开了一种融合非对称卷积和注意力机制的遥感图像特征提取方法，包括以下步骤：（1）、获取待提取特征的遥感图像数据；（2）、生成第一神经网络模型，第一神经网络模型的网络架构采用包含五个特征提取模块的ResNet50，第一个特征提取模块包括一个卷积层，第二至第四个特征提取模块分别包括若干残差学习单元；（3）、向第一神经网络模型中加入混合域注意力机制模块，得到第二神经网络模型；（4）、将遥感图像数据送入至第二神经网络模型，得到遥感图像的特征。本发明增强了模型在对数据集中的图像翻转和旋转的鲁棒性，提高了ResNet50网络对遥感图像目标对象特征的提取能力。
-
公开(公告)号：CN114596502B
公开(公告)日：2023-04-07
申请号：CN202210201357.0
申请日：2022-03-03
Applicant: 合肥工业大学
IPC: G06V20/13 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明设计了一种基于边缘增强的高分辨率遥感影像的耕地信息提取方法，设计构建联合边缘增强损失函数BE‑Loss，并相应设计高效的BEC‑Net网络框架实现耕地地块与其边缘情况的精准提取。使用EfficientNet为骨干网络的UNet网络作为语义分割模块，在边界增强模块中通过融入scSE双通道注意力机制、Cot模块、门控卷积等提升训练精度。结合余弦退火衰减算法更新学习率使训练结果更具全面性。最后经边缘增强的分类结果较其他模型精度有明显提高。本发明不仅可以通过对网络框架和学习手段的调整实现模型的优化；利用高效的浅层结构专注于处理边缘语义，对于耕地类型地块提取精度的提升具有同等重要的意义。
-
公开(公告)号：CN114596502A
公开(公告)日：2022-06-07
申请号：CN202210201357.0
申请日：2022-03-03
Applicant: 合肥工业大学
IPC: G06V20/13 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明设计了一种基于边缘增强的高分辨率遥感影像的耕地信息提取方法，设计构建联合边缘增强损失函数BE‑Loss，并相应设计高效的BEC‑Net网络框架实现耕地地块与其边缘情况的精准提取。使用EfficientNet为骨干网络的UNet网络作为语义分割模块，在边界增强模块中通过融入scSE双通道注意力机制、Cot模块、门控卷积等提升训练精度。结合余弦退火衰减算法更新学习率使训练结果更具全面性。最后经边缘增强的分类结果较其他模型精度有明显提高。本发明不仅可以通过对网络框架和学习手段的调整实现模型的优化；利用高效的浅层结构专注于处理边缘语义，对于耕地类型地块提取精度的提升具有同等重要的意义。
-
-
Search Results
3
records
(took 0.024 seconds)
