-
公开(公告)号：CN113657472B
公开(公告)日：2024-05-28
申请号：CN202110881438.5
申请日：2021-08-02
申请人： 中国空间技术研究院
IPC分类号： G06V10/80 , G06V10/764 , G06V10/77 , G06V20/10 , G06N3/0464 , G06N3/084
摘要： 本发明涉及一种基于子空间学习的多源遥感数据融合方法，包括：S1、收集同区域多源遥感数据，根据任务需求建立正样本对和负样本对数据库，其中正样本对相关多源遥感数据图像对，负样本对为不相关多源遥感图像对；S2、构建双分支深度卷积网络模型，提取遥感图像特征；S3、构造基于正样本对和负样本对的欧氏距离损失函数，将特征线性相关性最大化问题渐进等效为二分类问题；S4、基于步骤S1中建立的正样本对和负样本对以及步骤S3中建立的损失函数来训练双分支深度卷积网络模型，获取应用模型。本发明的方法能够针对不同任务，利用多源数据间的互补性，发掘不同复杂度的多源数据公共子空间特征，实现多源遥感数据区域匹配以及公共特征自动提取。
-
公开(公告)号：CN113837217B
公开(公告)日：2024-05-07
申请号：CN202110751193.4
申请日：2021-07-02
申请人： 中国空间技术研究院
IPC分类号： G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06V20/50 , G06N3/045 , G06N3/0464 , G06N3/094 , G06F21/57
摘要： 本发明涉及一种基于深度学习的被动式非视域图像识别方法及识别装置，被动式非视域图像识别方法包括：基于视域图像识别训练数据集中的样本图像构建用于被动式非视域图像识别训练的被动式非视域图像训练集；采用多个深度学习识别网络构建用于被动式非视域图像识别的第一深度学习识别网络；采用被动式非视域图像训练集训练第一深度学习识别网络，待算法收敛之后得到用于被动式非视域图像识别的被动式非视域图像识别模型；基于视域图像测试数据集构建用于被动式非视域图像识别模型的被动式非视域测试图像；被动式非视域图像识别模型抽取被动式非视域测试图像进行识别，并获取识别结果。本发明可快速、准确地识别出被动式非视域图像的类别。
-
公开(公告)号：CN112200262A
公开(公告)日：2021-01-08
申请号：CN202011133629.5
申请日：2020-10-21
申请人： 中国空间技术研究院
IPC分类号： G06K9/62
摘要： 本申请公开了一种支持多任务和跨任务的小样本分类训练方法及装置，所述方法包括：形式化类比，将小样本分类问题中的分类任务形式化成标准分类问题中的样本,并将小样本分类的目标形式化成给定大量任务样本的情况下学习一种任务解决器(能够估计任务是否完成)；2)模拟标准分类问题中的批训练技术(每次迭代处理每个类别中的一些样本)，提出一种多任务(multi‑episode)的小样本分类训练算法(每次迭代处理多个任务类别中的一些任务样本)；3)模拟标准分类问题中的预训练技术(在大规模数据上为类似小规模数据任务预先训练一个基本模型)，提出一种跨任务(cross‑way)的小样本分类训练算法(在多类别(高way)问题上为小类别(低way)问题预先训练一个基本模型)。
-
公开(公告)号：CN108805904A
公开(公告)日：2018-11-13
申请号：CN201810513672.0
申请日：2018-05-25
申请人： 中国空间技术研究院
摘要： 本发明涉及一种基于卫星序列图像的运动舰船检测与跟踪方法，属于视频卫星图像处理技术。本发明的步骤如下：不断获取包括运动舰船的卫星序列图像，输入相邻两帧图像；对两帧图像进行图像配准；计算两帧图像的差值图像并计算差值图像的多尺度显著图；基于显著图提取二值化前景图像之后，根据背景与舰船区域的灰度差异分别在两帧图像中提取运动舰船区域；将两帧图像中的运动舰船区域进行匹配，得到运动舰船匹配对；以每三帧图像的中间帧为关联帧，对运动舰船进行关联，从而实现舰船跟踪。本发明方法充分利用差值图像的多尺度显著图，避免了差分图像存在的目标空洞、细小轮廓多等问题；以每相邻两帧图像进行舰船匹配、每三帧图像的中间帧为关联帧实现舰船的跟踪。
-
公开(公告)号：CN113657472A
公开(公告)日：2021-11-16
申请号：CN202110881438.5
申请日：2021-08-02
申请人： 中国空间技术研究院
摘要： 本发明涉及一种基于子空间学习的多源遥感数据融合方法，包括：S1、收集同区域多源遥感数据，根据任务需求建立正样本对和负样本对数据库，其中正样本对相关多源遥感数据图像对，负样本对为不相关多源遥感图像对；S2、构建双分支深度卷积网络模型，提取遥感图像特征；S3、构造基于正样本对和负样本对的欧氏距离损失函数，将特征线性相关性最大化问题渐进等效为二分类问题；S4、基于步骤S1中建立的正样本对和负样本对以及步骤S3中建立的损失函数来训练双分支深度卷积网络模型，获取应用模型。本发明的方法能够针对不同任务，利用多源数据间的互补性，发掘不同复杂度的多源数据公共子空间特征，实现多源遥感数据区域匹配以及公共特征自动提取。
-
公开(公告)号：CN117671442A
公开(公告)日：2024-03-08
申请号：CN202311587340.4
申请日：2023-11-24
申请人： 中国空间技术研究院
IPC分类号： G06V10/80 , G06V10/774 , G06V10/82 , G06V20/52 , G06N3/0464
摘要： 本发明涉及一种基于跨模态特征校准和动态融合的多光谱行人检测方法，包括：步骤S1、构建双流特征提取网络提取可见光图像和红外图像的特征；步骤S2、构建跨模态特征校准子网络；步骤S3、构建多模态动态融合子网络；步骤S4、构建基于跨模态特征校准和动态融合的多光谱行人检测网络；步骤S5、训练基于跨模态特征校准和动态融合的多光谱行人检测网络；步骤S6、利用所述步骤S5中训练完成的基于跨模态特征校准和动态融合的多光谱行人检测网络进行行人检测。本发明，能够消除模态相关冗余性，突出模态之间的互补性，有助于更好的多模态特征融合，进而提升多光谱行人检测能力。
-
公开(公告)号：CN116630637A
公开(公告)日：2023-08-22
申请号：CN202310521012.8
申请日：2023-05-10
申请人： 中国空间技术研究院
IPC分类号： G06V10/40 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/774 , G06N3/096 , G06N3/0464
摘要： 本发明涉及一种基于多模态对比学习的光学‑SAR图像联合解译方法，包括：构建光学‑SAR图像样本集，并划分为训练集和测试集；对所述光学‑SAR图像样本集进行图像增强处理；构建光学‑SAR图像特征匹配网络，利用所述训练集基于多模态对比学习对所述光学‑SAR图像特征匹配网络进行训练优化；将所述光学‑SAR图像特征匹配网络迁移到解译任务中进行微调，形成解译模型；利用所述解译模型对所述测试集进行联合解译和指标验证。根据本发明实施例的方案，可以充分挖掘不同模态图像间对解译任务的有效局部信息。
-
公开(公告)号：CN112200262B
公开(公告)日：2024-04-30
申请号：CN202011133629.5
申请日：2020-10-21
申请人： 中国空间技术研究院
IPC分类号： G06V10/774 , G06V10/764 , G06V10/82
摘要： 本申请公开了一种支持多任务和跨任务的小样本分类训练方法及装置，所述方法包括：形式化类比，将小样本分类问题中的分类任务形式化成标准分类问题中的样本,并将小样本分类的目标形式化成给定大量任务样本的情况下学习一种任务解决器(能够估计任务是否完成)；2)模拟标准分类问题中的批训练技术(每次迭代处理每个类别中的一些样本)，提出一种多任务(multi‑episode)的小样本分类训练算法(每次迭代处理多个任务类别中的一些任务样本)；3)模拟标准分类问题中的预训练技术(在大规模数据上为类似小规模数据任务预先训练一个基本模型)，提出一种跨任务(cross‑way)的小样本分类训练算法(在多类别(高way)问题上为小类别(低way)问题预先训练一个基本模型)。
-
公开(公告)号：CN117611813A
公开(公告)日：2024-02-27
申请号：CN202311548151.6
申请日：2023-11-20
申请人： 中国空间技术研究院
摘要： 本发明涉及一种基于光学图像‑SAR图像特征对齐的遥感图像分割方法，包括：步骤S1、构建光学‑SAR匹配的遥感图像数据集，并根据各自的图像特性制定图像增强形式；步骤S2、构建光学‑SAR多模态特征融合模块；步骤S3、构造光学‑SAR图像分割神经网络；步骤S4、构建光学‑SAR图像分割神经网络的损失函数和优化算法；步骤S5、根据损失函数训练光学‑SAR图像分割神经网络，更新网络参数，并进行数值验证。本发明，能够有效地提高光学和SAR图像的通用特征提取与融合能力，充分挖掘不同模态间图像的信息，从而提高光学SAR图像分割任务的准确性和拓宽应用场景。
-
公开(公告)号：CN113837217A
公开(公告)日：2021-12-24
申请号：CN202110751193.4
申请日：2021-07-02
申请人： 中国空间技术研究院
摘要： 本发明涉及一种基于深度学习的被动式非视域图像识别方法及识别装置，被动式非视域图像识别方法包括：基于视域图像识别训练数据集中的样本图像构建用于被动式非视域图像识别训练的被动式非视域图像训练集；采用多个深度学习识别网络构建用于被动式非视域图像识别的第一深度学习识别网络；采用被动式非视域图像训练集训练第一深度学习识别网络，待算法收敛之后得到用于被动式非视域图像识别的被动式非视域图像识别模型；基于视域图像测试数据集构建用于被动式非视域图像识别模型的被动式非视域测试图像；被动式非视域图像识别模型抽取被动式非视域测试图像进行识别，并获取识别结果。本发明可快速、准确地识别出被动式非视域图像的类别。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.104 秒)