-
公开(公告)号：CN110781822B
公开(公告)日：2022-08-02
申请号：CN201911025388.X
申请日：2019-10-25
Applicant: 重庆大学
IPC: G06V20/13 , G06V10/774 , G06V10/772 , G06V10/764 , G06V10/778
Abstract: 本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：获取目标图像及全方位角训练样本集；划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；确定目标图像所在的局部方位角扇区；对目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到目标图像所在的局部方位角扇区的判别字典对；基于判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。
-
公开(公告)号：CN113160146B
公开(公告)日：2022-05-17
申请号：CN202110336097.3
申请日：2021-03-29
Applicant: 重庆大学
IPC: G06T7/00 , G06T7/90 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的变化检测方法，包括：获取二时相SAR图像I1和I2；基于I1和I2生成三通道图像整合了对数比图像、组合差分图像及基于多尺度超像素重建的差分图像；从三通道图像中提取超像素，计算超像素件的相似度，构建图G(V,E)，V表示图的节点，E表示图的边；利用变分图自动编码器网络提取图G(V,E)的非局部空间特征表示；利用k‑means聚类算法基于非局部空间特征表示对每一个超像素进行分类。与现有技术相比，本发明通过非局部特征学习建立更加有效的特征表示，使得检测不仅限于局部空间信息，提高了检测精度以及检测方法的鲁棒性。
-
公开(公告)号：CN113034471A
公开(公告)日：2021-06-25
申请号：CN202110320514.5
申请日：2021-03-25
Applicant: 重庆大学
Abstract: 本发明公开了一种基于FINCH聚类的SAR图像变化检测方法，包括：S1、获取待检测的SAR图像I1和SAR图像I2；S2、基于SAR图像I1和SAR图像I2生成差异图DI；S3、基于FINCH聚类对差异图DI进行聚类，得到变化检测结果。本发明与现有技术相比，将语义关系引用到聚类算法中，采用FINCH聚类对显著性区域进行聚类，充分考虑图像像素之间的空间相关性，进一步提高了变换检测的精度，同时该方法不需要设置任何的阈值或超参数。
-
公开(公告)号：CN112651464A
公开(公告)日：2021-04-13
申请号：CN202110037076.1
申请日：2021-01-12
Applicant: 重庆大学
Abstract: 本发明公开了一种无监督或弱监督的受约束的模糊c均值聚类方法，包括：获取聚类质心基于聚类质心对FCM的目标函数进行约束，得到新的目标函数；基于新的目标函数进行聚类。与现有技术相比，本发明针对现有在图像分割领域的聚类方法的不稳定性和不确定性问题采用了受约束的模糊c均值聚类方法，能够使得像素的聚类朝着期望的方向进行，并且，对非平衡数据以及含较强噪声样本有极强的鲁棒性，有效提升了现有的FCM的鲁棒性。
-
公开(公告)号：CN108734208B
公开(公告)日：2020-12-25
申请号：CN201810464348.4
申请日：2018-05-15
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多模态深度迁移学习机制的多源异构数据融合系统，包括：信号采集器、处理器以及结果输出模块；所述信号采集器：用于获取检测对象的多源异构信息；所述处理器：包括用于分别提取源信息和目标信息的深度特征学习模块，参数传递模块，以及预先训练好的分类器或回归器，通过所述分类器检测对象类别或通过所述回归器检测对象数值；所述结果输出模块：用于输出分类器或回归器的判断结果。本发明提供的一种基于多模态深度迁移学习机制的多源异构数据融合系统，检测过程采用分类器或回归器，可以融合多源异构数据，有效解决样本少的问题，自动提取目标高层多模态特征，精度高，而且使用方便。
-
Patent Agency Ranking
公开(公告)号：CN110443227A
公开(公告)日：2019-11-12
申请号：CN201910764394.0
申请日：2019-08-19
Applicant: 重庆大学
Abstract: 本发明公开了一种基于学习超像素和QCNN的极化SAR地物识别方法，包括：获取极化雷达数据；将极化雷达数据进行极化分解得到极化雷达伪彩色图像；基于像素的四元数卷积神经网络将极化雷达伪彩色图像分类得到分类结果；基于极化雷达伪彩色图像利用PAN网络生成多个超像素块；基于极化雷达伪彩色图像的分类结果及超像素块生成极化雷达数据的分类结果。本发明利用了颜色空间中的高层语义特征，能够得到比传统的超像素生成方法更好的局部区域分割。结合四元数卷积神经网络像素级分类和PAN超像素分割区域，得到了基于颜色特征的高精度极化SAR图像地物分类效果。
-
公开(公告)号：CN105427264B
公开(公告)日：2019-02-01
申请号：CN201510975963.8
申请日：2015-12-23
Applicant: 重庆大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于群稀疏系数估计的图像重构方法。属于数字图像处理技术领域。它是一种基于相似块集合稀疏系数估计的图像重构方法。首先通过欧氏距离寻找相似图像块，并对相似图像块集合进行局部与非局部稀疏表示，以获得更稀疏更准确的系数。进一步利用伯格曼迭代算法求解重构模型，并采用线性最小均方误差准则估计稀疏系数，以保证对包含图像纹理细节信息的小系数的精确估计。本发明对相似图像块集合稀疏表示系数进行线性最小均方误差估计，不仅在修复和去模糊等方面效果明显，同时使重构后的图像拥有更为丰富的细节信息，整体视觉效果更加清晰，可用于光学图像修复和去模糊。
-
公开(公告)号：CN108734208A
公开(公告)日：2018-11-02
申请号：CN201810464348.4
申请日：2018-05-15
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多模态深度迁移学习机制的多源异构数据融合系统，包括：信号采集器、处理器以及结果输出模块；所述信号采集器：用于获取检测对象的多源异构信息；所述处理器：包括用于分别提取源信息和目标信息的深度特征学习模块，参数传递模块，以及预先训练好的分类器或回归器，通过所述分类器检测对象类别或通过所述回归器检测对象数值；所述结果输出模块：用于输出分类器或回归器的判断结果。本发明提供的一种基于多模态深度迁移学习机制的多源异构数据融合系统，检测过程采用分类器或回归器，可以融合多源异构数据，有效解决样本少的问题，自动提取目标高层多模态特征，精度高，而且使用方便。
-
公开(公告)号：CN106529458A
公开(公告)日：2017-03-22
申请号：CN201610969604.6
申请日：2016-10-31
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G06K9/6277
Abstract: 本发明涉及一种面向高光谱图像的深度神经网络空间谱分类方法，属于深度学习及高光谱遥感图像分类技术领域。在该方法中，使用分组的空间谱特征作为输入，根据输入的分组特性，在深度神经网络的第一层的优化目标中加入正则化项，实现对空间谱特征的提取与波段选择。该方法兼顾了深度置信网络的算法特性，也考虑了空间信息的特点，对每个波段的空间分组单独处理，不同于深度卷积网络的卷积核中参数是相同的；该算法能够自动衰减那些对分类作用较小的波段的权值，做到自适应特征提取与波段选择，能够取得比经典深度置信网络更好的分类准确率，具有广阔的应用前景。
-
公开(公告)号：CN104978716A
公开(公告)日：2015-10-14
申请号：CN201510311551.4
申请日：2015-06-09
Applicant: 重庆大学
Abstract: 本发明公开了一种基于线性最小均方误差估计的SAR图像降噪方法。属于数字图像处理技术领域。它是一种将图像非局部相似性与稀疏表示相结合的SAR图像降噪方法。首先通过Kmeans聚类法将相似图像块聚类；再对相似块集合做奇异值分解，得到包含行列相关信息的含噪奇异值系数。为使降噪后奇异值系数更好的逼近真实系数，利用线性最小均方误差准则估计奇异值系数。接着将估计后的奇异值系数重构得到初始降噪图像块，结合初始降噪结果重新对含噪图像块进行聚类降噪，并将降噪后图像块重构得到最终降噪图像。本发明不仅去噪效果明显且能够有效的保持图像纹理细节，还具有良好的视觉效果，可用于SAR图像降噪。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.037 seconds)
