-
公开(公告)号：CN114863158B
公开(公告)日：2025-03-28
申请号：CN202210018133.6
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0499 , G06N3/08
Abstract: 本发明一种基于重参数化MLP的高光谱图像分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入高光谱图像、获得样本集、确定训练样本集与测试样本集、高光谱样本的切片化处理、构建重参数化MLP模型，并利用训练数据对重参数化MLP模型进行训练、进行高光谱图像分类；本发明将全连接层替换部分卷积层中，以提供全局表征能力和位置感知能力，最后通过重参数化的方法，将卷积层和全连接层重参数化为一个全连接层，赋予了全连接层不具备的捕捉局部信息能力，在对高光谱图像分类时提升了分类精度和推理速度，为后续的深度学习算法在高光谱图像分类研究以及工程应用提供新的思路。
-
公开(公告)号：CN117115556A
公开(公告)日：2023-11-24
申请号：CN202311189790.8
申请日：2023-09-14
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种高光谱开放集分类方法及系统，涉及高光谱图像开放集分类领域技术领域。本发明中高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征；将最终高光谱的图像特征通过逐层图像重建处理得到主路重建图像，各层图像处理后的重建特征图分别经反卷积支路处理后与主路重建图像叠加融合得到最终重建图像；根据最终重建图像和原图像获取重建损失，根据重建损失和EVT算法判断所述高光谱图像是否为已知类；对判定为已知类的高光谱图像进行分类，输出分类结果。本发明增强了图像特征识别能力，能够更好地提取与未知类别相关的空间和通道特征，有效分离未知类，提高了已知类的分类精度。
-
公开(公告)号：CN119942196A
公开(公告)日：2025-05-06
申请号：CN202510013888.0
申请日：2025-01-05
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V20/10 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/24
Abstract: 本发明提出一种基于特征对齐的跨域高光谱图像农作物精细分类方法，属于图像处理技术领域。首先，输入少量标签的目标域数据和充足标签的源域数据，利用嵌入模型提取特征信息。其次，引入非对称卷积，灵活适应不同方向的特征提取，通过不同方向的卷积核精确捕捉农作物边缘与轮廓，确保不同尺度下的边界信息保留。随后，通过条件对抗域适配策略实现源域与目标域分布对齐，克服频谱偏移。此外，采用锐度感知最小化平滑参数优化，使模型对特征分布变化不敏感，减少频谱偏移带来的波动。最后，利用K近邻算法(K‑nearest neighbor,KNN)进行分类，获得农作物类别。实验结果表明，方法在Indian Pines数据集上的分类精度优于现有方法，为跨域高光谱图像农分类提供新思路。
-
公开(公告)号：CN114429565B
公开(公告)日：2024-11-26
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN117953259A
公开(公告)日：2024-04-30
申请号：CN202311282162.4
申请日：2023-10-07
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/045 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/40 , G06V20/10
Abstract: 本发明基于双支路CNN‑Transformer的高光谱与LiDAR协同的农作物精准分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入待分类的高光谱图像和激光雷达数据；对HSI和LiDAR数据进行patch提取，形成各自的训练、验证和测试样本集；将HSI、LiDAR的patch数据输入由卷积神经网络构成的UniFeat Block共有特征提取模块，获得共性特征；将HSI和LiDAR的共性特征对齐后，输入改进的Transformer编码器，得到HSI、LiDAR的特征表示；将HSI、LiDAR的特征表示，输入基于集成对比学习的HSI‑LiDAR联合分类器进行训练，得到协同分类结果；本发明利用CNN强大的特征提取能力与Transformer的长程依赖建模能力，通过异构传感数据的多模态特征对齐与融合，实现更优异的协同分类效果。
-
Patent Agency Ranking
公开(公告)号：CN115393719A
公开(公告)日：2022-11-25
申请号：CN202211047569.4
申请日：2022-08-29
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V20/17 , G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种结合空谱域自适应与集成学习的高光谱图像分类方法，属于图像分类技术领域。该方法依次执行输入源域中有标记数据、目标域中无标记数据和少量有标记数据，通过空谱注意力模型对源域和目标域进行特征提取，其中空谱注意力模型引入了大核注意力(LKA)，可以利用图像的局部结构信息、捕获长距离依赖并且具有空间维度和光谱维度的适应性；然后将特征提取后的数据输入鉴别器并对源域数据聚类以形成聚类中心，再将目标域数据向各类聚类中心迭代映射；最后通过XGBoost进行分类来缓解模型计算速度慢和单分类器可信度低的问题，有效地提升了高光谱图像地物分类的准确度，为跨场景高光谱图像分类的后续研究以及相关应用提供新的参考思路。
-
公开(公告)号：CN117351553A
公开(公告)日：2024-01-05
申请号：CN202310848917.6
申请日：2023-07-12
Applicant: 哈尔滨理工大学
Abstract: 一种基于FPSA‑L2CSNet的视线估计系统及方法，涉及计算机视线估计领域。本发明的面部特征提取单元包括以获取低层次特征的5个Single BlazeBlock和用以获取高层次特征的6个Double BlazeBlock，根据低层次特征图和高层次特征图获取人脸的五官信息，定位左眼区域和右眼区域；ResNet网络包括依次布置的第一残差模块组、第二残差模块组、第三残差模块组和第四残差模块组，第一残差模块组、第二残差模块组、第三残差模块组和第四残差模块组分别由若干残差模块构成，残差模块包括两个1×1卷积层和PSA模块。通过面部特征提取单元缩小人眼特征区域的提取范围，采用改进ResNet网络实现更细粒度水平的特征提取，达到精准的视线估计效果。
-
公开(公告)号：CN114863158A
公开(公告)日：2022-08-05
申请号：CN202210018133.6
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于重参数化MLP的高光谱图像分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入高光谱图像、获得样本集、确定训练样本集与测试样本集、高光谱样本的切片化处理、构建重参数化MLP模型，并利用训练数据对重参数化MLP模型进行训练、进行高光谱图像分类；本发明将全连接层替换部分卷积层中，以提供全局表征能力和位置感知能力，最后通过重参数化的方法，将卷积层和全连接层重参数化为一个全连接层，赋予了全连接层不具备的捕捉局部信息能力，在对高光谱图像分类时提升了分类精度和推理速度，为后续的深度学习算法在高光谱图像分类研究以及工程应用提供新的思路。
-
公开(公告)号：CN114429565A
公开(公告)日：2022-05-03
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN114429564A
公开(公告)日：2022-05-03
申请号：CN202210018148.2
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明一种基于双支路的高光谱和LiADR数据协同分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入已配准好的高光谱和LiDAR的.tif数据，将数据输入到双分支网络；使用剪枝方法对高光谱图像进行波段选择；分别对空间和光谱进行特征提取；采用空洞卷积对LiDAR分支进行特征提取；将高光谱图像分支和LiDAR数据分支所提取的特征进行拼接；最后使用softmax对拼接的特征进行分类，获得样本分类标签；本发明基于双支路的高光谱和LiADR数据协同分类方法，利用高光谱和LiDAR数据各自的特点，优势互补，提高分类精度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
