公开(公告)号：CN109740686A

公开(公告)日：2019-05-10

申请号：CN201910019115.8

申请日：2019-01-09

Applicant: 中南大学

Inventor： 孙远 ,  李宏

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明提供了一种基于区域池化和特征融合的深度学习图像多标记分类方法，其步骤为：1)对待处理图像进行候选区域提取，生成不同尺度的候选区域；2)将候选区域通过预训练的卷积神经网络的卷积部分提取感兴趣特征图，生成不同尺度的多通道感兴趣特征图3)将不同尺度的感兴趣特征图进行区域池化，使得不同尺寸的感兴趣特征图变成相同尺寸；4)将多个相同尺寸的感兴趣特征图进行融合，生成最后的特征向量；5)将特征融合后的特征向量进入分类器，预测出图像中含有物体的概率；本发明基于卷积神经网络，并加入区域池化和特征融合，不仅提供了在卷积神经网络里进行特征融合的方法，而且提供了一个高精度图像多标记的方法，方便研究人员和工程应用人员在实际应用中提高图像分类效果。

公开(公告)号：CN107292343B

公开(公告)日：2020-05-22

申请号：CN201710484540.5

申请日：2017-06-23

Applicant: 中南大学

Inventor： 雷文太 ,  侯斐斐 ,  李宏 ,  施荣华

IPC: G06K9/62

Abstract: 本发明公开了一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据，对所选择的各波段二维图像数据进行空间均值滤波，再将每个像元对应的多波段数据进行格式转换，将一维矢量转换为一个方阵，即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器，包括输入层，第一卷积层，最大池化层，第二卷积层，全连接层，输出层；提取若干个像元对应的方阵数据作为训练集，输入该分类器并对分类器加以训练；提取若干个像元对应的方阵数据作为测试集，输入至训练完毕的分类器中，观察训练器输出的分类结果，并与真实的分类信息相比对，验证分类器的性能。本发明的分类准确率比现有的5‑CNN方法更高。

公开(公告)号：CN109710791A

公开(公告)日：2019-05-03

申请号：CN201811535193.5

申请日：2018-12-14

Applicant: 中南大学

Inventor： 彭维 ,  李宏

IPC: G06F16/583 ,  G06K9/46 ,  G06K9/62

Abstract: 本发明公开了一种基于显著滤波器的多源彩色图像颜色迁移方法，属于数字图像处理领域。本发明提出的颜色迁移方法解决了单幅源图像提供色彩有限的缺陷，参考指定的彩色图像，对当前彩色图像进行颜色调整，使得处理后的结果图像具有与颜色图像相似的色调表现。通过本方法能较好地实现彩色图像之间的颜色迁移，执行时间较短，不需要人工对图像进行标注，能够获得较好的颜色迁移效果。同传统的颜色迁移方法相比较，本文方法生成的结果虽依赖于颜色图像，但是对颜色分布信息不敏感。

公开(公告)号：CN107292343A

公开(公告)日：2017-10-24

申请号：CN201710484540.5

申请日：2017-06-23

Applicant: 中南大学

Inventor： 雷文太 ,  侯斐斐 ,  李宏 ,  施荣华

IPC: G06K9/62

Abstract: 本发明公开了一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据，对所选择的各波段二维图像数据进行空间均值滤波，再将每个像元对应的多波段数据进行格式转换，将一维矢量转换为一个方阵，即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器，包括输入层，第一卷积层，最大池化层，第二卷积层，全连接层，输出层；提取若干个像元对应的方阵数据作为训练集，输入该分类器并对分类器加以训练；提取若干个像元对应的方阵数据作为测试集，输入至训练完毕的分类器中，观察训练器输出的分类结果，并与真实的分类信息相比对，验证分类器的性能。本发明的分类准确率比现有的5-CNN方法更高。