-
公开(公告)号：CN107563355A
公开(公告)日：2018-01-09
申请号：CN201710896978.4
申请日：2017-09-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于生成对抗网络的高光谱异常检测方法。1、构建符合高光谱图像数据特点的网络模型，2、使用高光谱数据集作为训练样本，训练出一个符合高光谱数据统计特性的概率模型，3、利用训练完成的判别器来计算待测像元属于真实高光谱数据集的概率，4、计算高光谱数据集中的每个像元的异常检测结果。本发明利用生成对抗网络的思想，训练出符合高光谱图像数据特征的概率模型，该模型能够生成符合真实高光谱数据集整体统计特性的生成数据集，并且能够判断一个像元属于高光谱数据集的概率。本发明不需要对高光谱数据集的特征进行模型假设，能够直接估计出符合待测高光谱数据统计特性的概率模型，使检测结果更加可靠。
-
公开(公告)号：CN106503734A
公开(公告)日：2017-03-15
申请号：CN201610899753.X
申请日：2016-10-14
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/6277 , G06K9/0063 , G06K9/46 , G06K9/6249 , G06K2009/00644 , G06K2009/4657 , G06N3/006
Abstract: 本发明提供的是一种基于三边滤波器和堆栈稀疏自动编码器的图像分类方法。首先，使用三边滤波器获取平滑的图像，提取所述图像的像素的光谱-空间特征的同时滤除退化图像的高斯、斑点和脉冲噪声；其次，使用改进的堆栈稀疏自动编码器进行高阶特征提取；最后，利用随机森林分类器进行有监督微调网络和分类。本发明将改进的堆栈稀疏自动编码器和随机森林分类器引入到高光谱数据分类中，作为一种深度学习架构，改进的堆栈稀疏自动编码器可以逐层地提取光谱数据的抽象的和有用的深层次特征，从而提高光谱数据的分类性能。本发明不仅适用于对高光谱图像进行分类，同时也可以对其他图像进行分类。具有很强的可移植性，更易满足图像分类的需求。
-
公开(公告)号：CN119863581A
公开(公告)日：2025-04-22
申请号：CN202411923290.7
申请日：2024-12-25
Applicant: 哈尔滨工程大学 , 中国科学院空天信息创新研究院
Abstract: 本发明提出了一种针对昏暗场景的视觉SLAM方法，属于视觉SLAM技术领域，首先处理输入图像，利用AGAST算法从处理后的图像检测角点，并对其生成BRIEF描述子，形成完整的特征点，估计相机的初始位姿，跟踪线程通过匹配当前帧与局部地图的关键点对，将关键帧插入到局部建图线程中；对关键帧的位姿和地图点进行优化，同时删除冗余的关键帧及其相关的地图点；回环检测线程获取累积误差，通过相似变换校正当前帧的位姿估计值，并对回环两端进行对齐操作，将回环闭合的误差分散到整个地图中，完成回环处理；本发明在在弱纹理区域中依旧能够提取特征点并保持较高精度，在昏暗环境时，显著降低了轨迹估计误差，具备更强的鲁棒性和精度。
-
公开(公告)号：CN119313882A
公开(公告)日：2025-01-14
申请号：CN202411459995.8
申请日：2024-10-18
Applicant: 哈尔滨工程大学
Abstract: 基于双分支非对称注意力骨干和特征融合金字塔网络的多模态目标检测方法及系统，属于目标检测技术领域。为了解决现有的多模态目标检测方法很难补充每种模式所缺乏的特征，从而影响了多模态目前检测效果的问题。本发明将光学图像、红外图像作为光学分支骨干网络、红外分支骨干网络的输入，分支骨干网络均包括一个卷积层和若干个残差模块，在每一组残差模块之间设置一个细节信息补充模块或语义信息补充模块，细节信息补充模块和语义信息补充模块在残差模块的顺序处理方向上交替设置；将两个分支得到的两个特征金字塔送入特征融合单元，特征融合单元利用特征融合金字塔网络每层的特征进行融合，最终的多个尺度的融合特征送入检测单元进行检测检测。
-
公开(公告)号：CN115393317A
公开(公告)日：2022-11-25
申请号：CN202211026042.3
申请日：2022-08-25
Applicant: 哈尔滨工程大学
IPC: G06T7/00 , G06V20/13 , G06V10/764 , G06V10/82 , G06V20/70 , G06V10/42 , G06V10/44 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 基于多尺度语义标记Transformer网络的遥感图像变化检测方法,涉及一种遥感图像变化检测方法。为了解决现有的基于Transformer的方法在一定程度上忽略了变化区域的空间信息，从而影响了遥感图像变化检测能力的问题。本发明首先采用特征编解码器提取特征图，利用多尺度语义标记编码器将来自特征编码器的不同尺度的特征图转化为不同长度的语义标记，然后送入Transformer获得全局语义信息。之后利用多尺度语义标记解码器将不同尺度的含有丰富语义信息的语义标记和含有丰富空间信息的多尺度特征图结合起来，获得语义空间联合特征，最终多尺度的语义空间联合特征以跳跃连接的方式在特征解码器中聚合，再通过分类器得到最终的变化结果图。
-
Patent Agency Ranking
公开(公告)号：CN113192204B
公开(公告)日：2022-08-26
申请号：CN202110128087.0
申请日：2021-01-29
Applicant: 哈尔滨工程大学
Abstract: 本发明的单幅倾斜遥感图像中建筑物的三维重建方法涉及遥感图像三维建模技术领域，目的是为了克服现有三维重建方法的输入条件复杂以及不满足重建尺度精度要求的问题，方法具体如下：步骤一、从遥感图像中截取至少一个正方形的待重建目标子图；一个待重建目标子图包括一个需三维重建的建筑物的图像，且建筑物的图像的形状中心与待重建目标子图的中心重合；步骤二、将待重建目标子图输入经过训练的单幅图像重建网络，获得三维模型的边界点与边界面；步骤三、根据三维模型的边界点与边界面，利用移动立方体算法生成网格结构的建筑物三维重建模型。
-
公开(公告)号：CN114565850A
公开(公告)日：2022-05-31
申请号：CN202210203988.6
申请日：2022-03-02
Applicant: 哈尔滨工程大学
Abstract: 基于全变差低秩张量分解的高光谱图像异常目标检测方法，属于高光谱遥感图像异常目标检测技术领域。本发明为了解决目前的异常检测方法存在无法很好地分离背景和异常的问题。本发明采用全变差正则化低秩张量分解模型将高光谱图像分解为低秩数据部分和混合信息部分；然后利用l2,1范数和域变换递归滤波器，对混合信息部分进行异常检测；并利用协同表示检测器提取嵌入低秩背景数据部分的异常信息；融合低秩数据和混合信息部分的初始检测结果，得到最终的检测结果。主要用于高光谱图像的异常目标检测。
-
公开(公告)号：CN114266967A
公开(公告)日：2022-04-01
申请号：CN202111534994.1
申请日：2021-12-15
Applicant: 哈尔滨工程大学
Abstract: 基于符号距离特征的跨源遥感数据目标识别方法，属于遥感图像目标识别技术领域。为了解决遥感数据目标识别中异源图像特征提取和地物识别存在差异较大的问题，本发明首先获得待识别的遥感图像，并输入符号距离特征提取网络进行符号距离特征提取，得到随机采样点到目标边界的距离值s；当输入数据仅为同源数据，取边界点集为最终边界点集，当输入数据为同一个目标的异源数据时，将可见光图像、红外图像、SAR图像对应的符号距离特征按照比例进行融合，再判定点是否属于目标表面，得到最终的边界点集；然后对得到的三维点集进行三维特征提取，得到三维特征向量，将特征向量XE通过分类器进行识别。主要用于遥感数据的目标识别。
-
公开(公告)号：CN109360231B
公开(公告)日：2022-01-07
申请号：CN201811248556.7
申请日：2018-10-25
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：步骤1：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；步骤2：依据每个高程矩阵和海冰色带，逐一索引生成初始仿真海冰RGB图像集；步骤3：将初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；步骤4：利用步骤3形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；步骤5：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；步骤6：通过步骤1～步骤3重新生成矢量数据，将数据输入步骤5所训练完成的分形深度卷积生成对抗网络。本发明能够降低网络计算量，同时提升海冰仿真效果。
-
公开(公告)号：CN113807273A
公开(公告)日：2021-12-17
申请号：CN202111112228.6
申请日：2021-09-18
Applicant: 哈尔滨工程大学
Abstract: 基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，涉及一种高光谱异常检测方法。本发明为了解决现有的高光谱异常检测方法存在破坏高光谱数据的空间结构问题和混合像元内异常分量的干扰问题，从而使得目前的检测方法的检测精度较低。本发首先采用所提出的端元背景字典构建方法构建端元背景字典，然后对构建的基于增强全变分约束表示模型的高光谱异常检测方法进行优化求解，最后在求解出的最优化稀疏矩阵上得到检测结果。主要用于高光谱的异常检测。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.023 seconds)
