公开(公告)号：CN119941880A

公开(公告)日：2025-05-06

申请号：CN202510034960.8

申请日：2025-01-09

Applicant: 湖州师范学院

Inventor： 石翠萍 ,  施凯杰 ,  王天毅

IPC: G06T9/00 ,  G06V10/52 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  H04N19/124 ,  H04N19/182 ,  H04N19/33

Abstract: 基于多维协同边信息引导的动态特征增强网络的遥感图像压缩方法，本发明涉及遥感图像压缩方法。本发明的目的是为了解决目前有损遥感图像压缩方法中遥感图像在高压缩比的情况下，容易丢失结构特征，导致伪影、块效应和模糊现象，从而丢失图像的重要信息的问题。过程为：构建DMENet网络模型；DMENet网络模型表示多维协同边信息引导的动态特征增强网络模型；DMENet网络模型包括边信息引导的多维特征提取模块MDEI、压缩模块、编码解码模块、重构模块；边信息引导的多维特征提取模块MDEI包括横向注意力模块HA、纵向注意力模块VA和边缘特征提取模块EEM；切片动态金字塔模块SDPM依次包括SS、SEB、PEB。本发明用于遥感图像压缩领域。

公开(公告)号：CN120014453A

公开(公告)日：2025-05-16

申请号：CN202510085241.9

申请日：2025-01-20

Applicant: 湖州师范学院

Inventor： 石翠萍 ,  朱飞 ,  王天毅

IPC: G06V20/10 ,  G06V10/44 ,  G06V10/42 ,  G06V10/80 ,  G06V10/82 ,  G06V10/52 ,  G06N3/0455

Abstract: 基于分层多模态特征聚合的轴向Transformer的多源遥感图像分类方法，本发明涉及多源遥感图像分类方法。本发明目的是为了解决现有方法大多数联合分类往往局限于单一层次的特征级处理，而忽视了不同层次的多模态特征之间的深度融合，这种局限性导致这些方法的分类性能难以继续提升的问题。过程为：获取高光谱图像数据HSI；获取光探测和测距数据LiDAR；构建HMAT网络模型；HMAT网络模型包括通道调制模块、分层多模态特征聚合模块、加权局部特征提取模块、全局特征提取模块，以及局部‑全局特征融合分类模块；基于构建的HMAT网络模型对待测高光谱图像数据和光探测和测距数据对进行预测，获得分类结果。本发明用于多源遥感图像分类领域。

公开(公告)号：CN118968154A

公开(公告)日：2024-11-15

申请号：CN202411015695.0

申请日：2024-07-26

Applicant: 湖州师范学院

Inventor： 石翠萍 ,  朱飞 ,  王天毅

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/774 ,  G06V10/77 ,  G06V10/74 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 基于自适应特征增强的高斯加权网络的图像分类方法，本发明涉及图像分类方法。本发明的目的是为了解决现有高光谱图像分类方法分类准确率低的问题。过程为：一、建立基于自适应特征增强的高斯加权网络AFEGW，包括三部分：特征增强、特征提取及特征融合、全局依赖关系提取及分类；特征增强部分包括自适应特征增强模块AFEM；特征提取及特征融合部分包括高斯加权特征融合模块GWF2；全局依赖关系提取及分类部分包括Transformer编码器、线性层；所述Transformer编码器包括层归一化层、多头协同注意力MHCA、层归一化、多层感知机；获得训练好的AFEGW；二、将待测高光谱图像输入训练好的AFEGW，完成对待测高光谱图像的分类。本发明用于图像分类领域。

公开(公告)号：CN116912677A

公开(公告)日：2023-10-20

申请号：CN202310689508.6

申请日：2023-06-12

Applicant: 湖州师范学院

Inventor： 石翠萍 ,  廖帝灵 ,  胡文军 ,  王天毅

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06V10/26 ,  G06V10/52 ,  G06N3/045 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 基于混合CNN‑GCN网络的有限训练样本下的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有标记样本不足以及现有图卷积网络并未充分利用临边关系，网络性能受到限制，导致高光谱图像分类准确率低的问题。基于混合CNN‑GCN网络的有限训练样本下的高光谱图像分类方法具体过程为：一、建立卷积神经网络与图卷积网络混合的网络模型HCGN；获得训练好的卷积神经网络与图卷积网络混合的网络模型HCGN；二、将待测高光谱图像输入训练好的卷积神经网络与图卷积网络混合的网络模型HCGN，完成对待测高光谱图像的分类。本发明用于高光谱图像分类领域。