-
公开(公告)号：CN119600438A
公开(公告)日：2025-03-11
申请号：CN202411642272.1
申请日：2024-11-18
Applicant: 苏州大学
IPC: G06V20/10 , G06V10/32 , G06V10/58 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及遥感图像处理技术领域，尤其涉及一种高光谱图像与激光雷达图像融合分类方法及装置。本发明构建深度网络模型，包括：多层级模态同化编码器与多层级同化模态重建解码器；对于归一化后的高光谱图像中的每一个高光谱像元，将当前高光谱像元的邻域块以及与该高光谱像元位置相同的激光雷达像元的邻域块输入多层级模态同化编码器，通过多阶段的模态信息融合与特征提取，得到当前高光谱像元与对应激光雷达像元的遥感同化模态；将每个高光谱像元与对应激光雷达像元的遥感同化模态输入多层级同化模态重建解码器，得到每个高光谱像元与对应激光雷达像元融合后像元的分类结果。本发明能够有效对高光谱图像与激光雷达图像进行融合与分类。
-
公开(公告)号：CN114742985B
公开(公告)日：2025-03-04
申请号：CN202210277342.2
申请日：2022-03-17
Applicant: 苏州大学
IPC: G06V10/143 , G06V10/58 , G06V10/82 , G06V10/80 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及一种高光谱特征提取方法、装置及计算机存储介质，本发明提出的基于多模态注意力编码的高光谱特征提取方法，通过构建空间维序贯特征提取模块实现对像元空间数据中两种序贯信息的有效提取，通过双向长短期记忆层移除序贯特征提取过程序贯方向对性能的影响，通过针对不同序贯信息来构建不同注意力权重矩阵，实现对序贯信息中重要部分的强化，实现信息的高性能融合，最终有效提升提取到的特征的表达能力。
-
公开(公告)号：CN116416441A
公开(公告)日：2023-07-11
申请号：CN202111627432.1
申请日：2021-12-28
Applicant: 苏州大学
IPC: G06V10/58 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/764
Abstract: 本申请提出一种针对高光谱图像的基于多层次变分自动编码器的高光谱图像特征提取方法。该方法用变分自动编码器作为方法基本框架，并采用最终修正得到的融合特征作为训练后最终输出的空谱联合特征。该方法可以更好地提取数据中的重要判别信息，提高像元的可分类能力和分类精度，减少后续分类任务中误分类现象的发生，提高模型的抗噪声干扰能力。
-
公开(公告)号：CN116167955B
公开(公告)日：2024-08-16
申请号：CN202310162662.8
申请日：2023-02-24
Applicant: 苏州大学
Abstract: 本发明提供一种面向遥感领域的高光谱与激光雷达图像融合方法及系统，方法包括选取高光谱图像I与激光雷达图像L；根据I得到阴影掩膜M；对I与L进行形状变化和对数变换，得到高光谱图像#imgabs0#和激光雷达图像#imgabs1#基于#imgabs2#和M构建权重矩阵；建立用于优化本征反射图像#imgabs3#和本征照射图像#imgabs4#的优化函数E，并对#imgabs5#和#imgabs6#进行初始化；计算优化函数E对#imgabs7#和#imgabs8#的偏导数，对#imgabs9#和#imgabs10#进行迭代更新，直至满足设定的停止条件停止更新；将最终得到的#imgabs11#和#imgabs12#作为最优#imgabs13#和最优#imgabs14#将最优#imgabs15#和最优#imgabs16#进行处理得到最终的融合图像K。本发明将高光谱图像与激光雷达图像中的重要判别信息进行高效提取并加以充分融合，提升了多源遥感图像的分类能力和分类精度。
-
公开(公告)号：CN114742985A
公开(公告)日：2022-07-12
申请号：CN202210277342.2
申请日：2022-03-17
Applicant: 苏州大学
Abstract: 本发明涉及一种高光谱特征提取方法、装置及计算机存储介质，本发明提出的基于多模态注意力编码的高光谱特征提取方法，通过构建空间维序贯特征提取模块实现对像元空间数据中两种序贯信息的有效提取，通过双向长短期记忆层移除序贯特征提取过程序贯方向对性能的影响，通过针对不同序贯信息来构建不同注意力权重矩阵，实现对序贯信息中重要部分的强化，实现信息的高性能融合，最终有效提升提取到的特征的表达能力。
-
Patent Agency Ranking
公开(公告)号：CN118278354A
公开(公告)日：2024-07-02
申请号：CN202410488096.4
申请日：2024-04-23
Applicant: 苏州大学
IPC: G06F30/392 , G06T3/40 , G06F115/12
Abstract: 本发明涉及Gerber文件处理技术领域，尤其是指一种Gerber文件中元器件同步缩放与快速定位方法，包括以下步骤：获得Gerber文件图像尺寸以及选定区域的四角坐标；获取缩放比例，转换选定区域的四角坐标，使其与Gerber文件同步缩放；获取选定区域中联通区域的联通个数以及联通面积，选择有效元器件；对选定的有效元器件进行框选，并获得中心坐标；与参数表中各元器件的中心坐标比对，确定目标元器件，生成选择框；为全体同类型元器件生成选择框；转换选择框的四角坐标，使其与Gerber文件同步缩放。本发明通过同步缩放机制，确保了用户在任意缩放Gerber文件时，目标元器件的选择框和坐标能够准确匹配，解决了传统方法中视图缩放与元器件定位不匹配的问题。
-
公开(公告)号：CN116740457A
公开(公告)日：2023-09-12
申请号：CN202310765131.8
申请日：2023-06-27
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种高光谱图像与激光雷达图像融合分类方法和系统，方法包括：获取高光谱图像与激光雷达图像；对所述高光谱图像与激光雷达图像内全部数值进行对数变换；构建对数变换后高光谱图像与激光雷达图像中每个像元的邻域块，所述邻域块由像元周围s×s的像元构建；构建深度网络模型，所述深度网络模型包括分解器和融合器，通过所述分解器提取高光谱图像和激光雷达图像中邻域块的特征，每个像元的特征由对应邻域块的特征来表示，并通过所述融合器基于提取到邻域块的特征实现高光谱图像和激光雷达图像的融合；对高光谱图像和激光雷达图像融合后像元的类别进行分类。本发明能够有效对高光谱图像与激光雷达图像进行融合与分类。
-
公开(公告)号：CN116523840A
公开(公告)日：2023-08-01
申请号：CN202310326740.3
申请日：2023-03-30
Applicant: 苏州大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0895 , G06V10/774 , G06N3/0464 , G06N3/047 , G06N3/048 , G06V10/74
Abstract: 本发明提供一种基于深度学习的肺部CT图像检测系统及方法，该系统包括图像获取模块，用于获取ImageNet、无标签的肺部CT以及有标签的肺部CT数据集图像；第一自监督模块，用于利用预处理后的ImageNet数据集图像进行自监督训练；第二自监督模块，将第一自监督模块中训练后的网络模型参数迁移，利用预处理后的无标签的肺部CT数据集图像进行进一步自监督训练；分类模块，用于将第二自监督模块中训练后的模型参数迁移到分类模块中，利用预处理后的有标签的肺部CT数据集图像进行分类训练，得到训练好的分类网络模型；检测模块，用于将待检测的肺部CT图像输入到训练好的分类网络模型中，得到肺部CT图像检测结果。本发明提高了肺部CT图像检测的精确度。
-
公开(公告)号：CN115331110A
公开(公告)日：2022-11-11
申请号：CN202211037953.6
申请日：2022-08-26
Applicant: 苏州大学
Abstract: 本发明涉及一种遥感高光谱图像与激光雷达图像融合分类方法，包括获取高光谱图像与激光雷达图像，将高光谱图像进行本征图像分解得到本征图像和光照图像，对于每一个高光谱本征像元、高光谱光照像元以及激光雷达像元，选取其邻域块，使用邻域块训练多个深度网络支路，利用拼接层将多个深度网络支路的输出进行两两拼接，将拼接后的输出进行多模态融合，得到最终输出的类别。本发明提出的遥感高光谱图像与激光雷达图像融合分类方法，可以充分融合多源遥感图像中重要判别信息，实现对目标像元高精度分类的目的，充分避免融合过程中重要信息的丢失与损耗，减少了由于信息缺失而带来的分类精度降低等问题。
-
公开(公告)号：CN116740457B
公开(公告)日：2024-08-13
申请号：CN202310765131.8
申请日：2023-06-27
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种高光谱图像与激光雷达图像融合分类方法和系统，方法包括：获取高光谱图像与激光雷达图像；对所述高光谱图像与激光雷达图像内全部数值进行对数变换；构建对数变换后高光谱图像与激光雷达图像中每个像元的邻域块，所述邻域块由像元周围s×s的像元构建；构建深度网络模型，所述深度网络模型包括分解器和融合器，通过所述分解器提取高光谱图像和激光雷达图像中邻域块的特征，每个像元的特征由对应邻域块的特征来表示，并通过所述融合器基于提取到邻域块的特征实现高光谱图像和激光雷达图像的融合；对高光谱图像和激光雷达图像融合后像元的类别进行分类。本发明能够有效对高光谱图像与激光雷达图像进行融合与分类。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
