-
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
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：CN117218402A
公开(公告)日：2023-12-12
申请号：CN202310697576.7
申请日：2023-06-13
Applicant: 湖州师范学院
Abstract: 基于自适应过滤器及特征互补网络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方法未能很好地建立起近距离光谱信息与远距离光谱信息的相互依赖关系，并且冗余信息对网络的干扰未能得到很好地解决的问题。基于自适应过滤器及特征互补网络的高光谱图像分类方法具体过程为：一、建立基于自适应知识过滤的特征互补网络模型FCAN_AKF；获得训练好的基于自适应知识过滤的特征互补网络模型FCAN_AKF；二、将待测高光谱图像输入训练好的基于自适应知识过滤的特征互补网络模型FCAN_AKF，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。
-
公开(公告)号：CN118115877A
公开(公告)日：2024-05-31
申请号：CN202410319875.1
申请日：2024-03-20
Applicant: 湖州师范学院
IPC: G06V20/10 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/082 , G06V10/80 , G06V10/42 , G06V10/44
Abstract: 基于空间局部偏置Transformer特征提取的地物分类方法，本发明涉及地物分类方法。本发明的目的是为了解决现有Transformer具有全局的感受野，但很难建模局部信息，这使得其对图像的纹理、边缘等局部特征的提取存在困难，进而限制了基于Transformer的高光谱图像分类准确性的问题过程为：一、随机采样带标签的高光谱图像，作为训练集；二、构建注意力头交互的双注意力Transformer网络模型DAHIT；DAHIT包括：预处理模块、分支一、分之二、线性层；三、将训练集输入注意力头交互的双注意力Transformer网络模型DAHIT，获得训练好的注意力头交互的双注意力Transformer网络模型DAHIT；四、将待测高光谱图像输入训练好的注意力头交互的双注意力Transformer网络模型DAHIT，完成对待测高光谱图像的分类。本发明用于地物分类领域。
-
公开(公告)号：CN117456263A
公开(公告)日：2024-01-26
申请号：CN202311514154.8
申请日：2023-11-14
Applicant: 湖州师范学院
IPC: G06V10/764 , G06V10/58 , G06V20/10 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种基于双分支多尺度Transformer网络的高光谱图像分类方法，本发明涉及基于双分支多尺度Transformer网络的高光谱图像分类方法。本发明的目的是为了解决传统Token划分方法对高光谱数据进行大尺度划分时的信息丢失，以及现有对输入通道进行收缩时线性映射所需的参数大的问题。过程为：一、随机采样带标签的高光谱图像作为训练集；二、构建网络模型DBMST；包括预处理模块、通道收缩软分裂模块CS3M、L‑Transformer模块、S‑Transformer模块、池化激活融合模块PAFM、分类层；三、获得训练好的网络模型DBMST；四、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。
-
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
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。
-
Patent Agency Ranking
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
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：CN118823438A
公开(公告)日：2024-10-22
申请号：CN202410801491.3
申请日：2024-06-20
Applicant: 湖州师范学院
IPC: G06V10/764 , G06V10/42 , G06V10/44 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 基于域适应网络的高光谱图像跨场景分类方法，本发明涉及高光谱图像跨场景分类方法。本发明的目的是为了解决现有跨场景高光谱图像分类方法在进行域对齐时忽视了每个类别的对齐效果，导致跨场景高光谱图像分类的分类准确率低的问题。过程为：一、随机采样带标签的源域数据和不带标签的目标域数据，作为训练集；所述数据为高光谱图像；二、构建基于多级特征对齐约束的域适应网络；三、将训练集输入基于多级特征对齐约束的域适应网络，获得训练好的基于多级特征对齐约束的域适应网络；四、将待测跨场景高光谱图像输入训练好的基于多级特征对齐约束的域适应网络，完成对待测跨场景高光谱图像的分类。本发明用于高光谱图像跨场景分类领域。
-
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
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。
-
公开(公告)号：CN119478675A
公开(公告)日：2025-02-18
申请号：CN202411510724.0
申请日：2024-10-28
Applicant: 湖州师范学院
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0455
Abstract: 基于贪心策略引导的图自注意力网络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HSI分类中样本受限，以及GAT倾向于仅考虑直接相连的节点，而对间接相关的联系考虑不足，影响分类效果的问题，而提出基于贪心策略引导的图自注意力网络的高光谱图像分类方法。过程为：步骤一、构建基于贪心策略引导的图自注意力网络；基于贪心策略引导的图自注意力网络包括数据预处理阶段、基于超像素的图自注意力分支阶段、基于像素的多注意力融合分支阶段、分类阶段以及贪心训练策略阶段；步骤二、基于训练好的贪心策略引导的图自注意力网络对待测高光谱图像进行分类，得到分类结果。本发明用于高光谱图像分类领域。
-
公开(公告)号：CN118411440A
公开(公告)日：2024-07-30
申请号：CN202410497991.2
申请日：2024-04-24
Applicant: 湖州师范学院
IPC: G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/0495
Abstract: 基于遥感图像压缩网络的遥感图像重构方法，本发明涉及遥感图像重构方法。本发明的目的是为了解决现有基于学习的图像压缩方法中存在更多的数据冗余，并没有充分考虑全局信息和多尺度局部信息，以及潜在表示的分布中保留一些统计冗余信息，导致图像重构准确率低的问题，而提出基于遥感图像压缩网络的遥感图像重构方法。基于遥感图像压缩网络的遥感图像重构方法具体过程为：一、随机采样带标签的遥感图像，作为训练集；二、构建基于多头全局注意力和空谱信息融合的遥感图像压缩网络MGSSNet；三、获得训练好的基于多头全局注意力和空谱信息融合的遥感图像压缩网络；四、完成对待测遥感图像的重建。本发明用于图像的重建领域。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.045 seconds)
