-
公开(公告)号：CN113920393B
公开(公告)日：2024-10-22
申请号：CN202111113223.5
申请日：2021-09-18
申请人： 广东工业大学
IPC分类号： G06V10/774 , G06V10/764 , G06N3/0464 , G06V10/82
摘要： 本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法采用主成分分析方法降低输入高光谱图像的光谱维度并同时实现去噪；然后通过对降维后的HSI图像进行卷积操作并将其设置为全局块来提取图像的全局特征；紧接着在全局块之后附加一个卷积层以提取更合适的图像特征；进而在Primary Caps层将提取到的图像特征通过动态路由算法迭代封装成对应的胶囊向量；最后，通过自注意力模块处理之后在Class Caps层中计算输出向量的长度来评判当前输入HSI图像属于相应实体的概率。
-
公开(公告)号：CN117115583B
公开(公告)日：2024-04-02
申请号：CN202310995063.4
申请日：2023-08-09
申请人： 广东工业大学
IPC分类号： G06V10/774 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/26 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于交叉融合注意力机制的危险品检测方法，包括：获取太赫兹图像，所述太赫兹图像包括：训练图像和测试图像；构建深度学习网络模型，所述深度学习网络模型包括：backbone特征提取网络、neck特征提取网路、高效融合模块、交叉融合自注意力和YoloHead检测头；基于所述训练图像训练所述深度学习网络模型，得到训练好的深度学习网络模型将所述测试图像输入至训练好的深度学习网络模型中，输出危险品检测结果。本发明引入了高效融合模块和交叉融合自注意力，能够有效利用太赫兹图像中的特征信息，提高危险品目标的检测准确性和鲁棒性，同时轻量化原始检测网络，降低网络的复杂度，提高计算效率。
-
公开(公告)号：CN117115583A
公开(公告)日：2023-11-24
申请号：CN202310995063.4
申请日：2023-08-09
申请人： 广东工业大学
IPC分类号： G06V10/774 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/26 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于交叉融合注意力机制的危险品检测方法，包括：获取太赫兹图像，所述太赫兹图像包括：训练图像和测试图像；构建深度学习网络模型，所述深度学习网络模型包括：backbone特征提取网络、neck特征提取网路、高效融合模块、交叉融合自注意力和YoloHead检测头；基于所述训练图像训练所述深度学习网络模型，得到训练好的深度学习网络模型将所述测试图像输入至训练好的深度学习网络模型中，输出危险品检测结果。本发明引入了高效融合模块和交叉融合自注意力，能够有效利用太赫兹图像中的特征信息，提高危险品目标的检测准确性和鲁棒性，同时轻量化原始检测网络，降低网络的复杂度，提高计算效率。
-
公开(公告)号：CN115761374A
公开(公告)日：2023-03-07
申请号：CN202211526059.5
申请日：2022-12-01
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06V10/764 , G06V10/58 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
摘要： 本发明公开了一种小样本高光谱图像分类方法及系统，方法包括：基于数据类别对应划分支持集和查询集；对支持集和查询集进行特征提取，得到支持集特征和查询集特征；对支持集特征进行维度压缩，计算每个数据类别的特征平均值，得到平均支持集特征；对平均支持集特征进行级联压缩处理，得到掩码；基于掩码，对支持集特征和查询集特征进行变形处理，得到第二支持集特征和第二查询集特征；根据第二支持集特征和第二查询集特征，匹配掩码，得到第三支持集特征和第三查询集特征；基于第三支持集特征和第三查询集特征，进行图像分类。本发明考虑类内共性和类间独有性，能够有效克服只考虑单个支持类而丢失有效信息的问题，可广泛应用于图像分类技术领域。
-
公开(公告)号：CN115719419A
公开(公告)日：2023-02-28
申请号：CN202211530042.7
申请日：2022-11-30
申请人： 广东工业大学 , 广东能哥知识科技有限公司
IPC分类号： G06V10/26 , G06V10/764 , G06V10/82 , G06V20/17 , G06V20/56 , G06N3/04 , G06N3/0895
摘要： 本发明公开了一种基于半监督学习的高速公路图像区域分割方法，包括：先获取无人机对高速公路拍摄的目标图像，进而将目标图像输入至经过预先训练的半监督学习模型中，由于半监督学习模型包括两个结构相同的网络，即student网络与teacher网络，根据已标注区域分割的第一图像与未标注区域分割的第二图像，可以使得student网络可以在teacher网络的监督下解决缺少标注数据的图像带来的问题，从而将未标注区域分别的目标图像输入至半监督学习模型后，半监督学习模型可以准确地识别出目标图像中高速公路的各个区域，并为检测车辆是否越线违规提供可靠依据，本发明可广泛应用于图像识别领域。
-
公开(公告)号：CN112130169B
公开(公告)日：2022-09-16
申请号：CN202011010352.7
申请日：2020-09-23
申请人： 广东工业大学
IPC分类号： G01S17/89 , G01S17/933
摘要： 本申请公开了一种激光雷达数据和高光谱图像的点云级融合方法，主要针对异构遥感数据，即激光雷达数据以及高光谱图像数据，基于加入正则项的非负矩阵分解框架首先对高光谱数据解混，获取高光谱图像数据丰度矩阵以及端元矩阵；并根据高光谱图像数据的最终丰度矩阵的丰度信息，采用双线性内插法获得激光雷达数据的丰度矩阵；将最终利用激光雷达数据的丰度矩阵与最终高光谱端元矩阵进行融合，得到高光谱点云。本申请将高光谱高分辨光谱信息与小光斑激光雷达高程信息在点云级的融合，具有同时进行光谱分类和3D结构分割的能力。
-
公开(公告)号：CN113920393A
公开(公告)日：2022-01-11
申请号：CN202111113223.5
申请日：2021-09-18
申请人： 广东工业大学
IPC分类号： G06V10/774 , G06V10/764 , G06N3/04
摘要： 本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法采用主成分分析方法降低输入高光谱图像的光谱维度并同时实现去噪；然后通过对降维后的HSI图像进行卷积操作并将其设置为全局块来提取图像的全局特征；紧接着在全局块之后附加一个卷积层以提取更合适的图像特征；进而在Primary Caps层将提取到的图像特征通过动态路由算法迭代封装成对应的胶囊向量；最后，通过自注意力模块处理之后在Class Caps层中计算输出向量的长度来评判当前输入HSI图像属于相应实体的概率。
-
公开(公告)号：CN110288050B
公开(公告)日：2021-09-17
申请号：CN201910590694.1
申请日：2019-07-02
申请人： 广东工业大学
摘要： 本申请所提供的一种基于聚类及光流法的高光谱和LiDar图像自动化配准方法，包括：选取高光谱图像中的目标波段，并基于目标波段构建伪彩色图像；对LiDar图像进行预处理，得到二维栅格化图像；利用PCA算法对伪彩色图像和二维栅格化图像进行降维并提取主成分处理，分别得到第一数据集合和第二数据集合；利用K‑means聚类算法确定第一数据集合和第二数据集合中对应区域的种子点，并进行图像粗配准操作，得到初始配准图像；利用光流法对初始配准图像进行精配准，得到配准图像。本申请将PCA算法与K‑means聚类算法相结合，实现自动提取配准种子点，提高了配准效率，且利用光流法进行精配准，提高了配准精度。
-
公开(公告)号：CN118781493A
公开(公告)日：2024-10-15
申请号：CN202411252393.5
申请日：2024-09-09
申请人： 广东工业大学
IPC分类号： G06V20/10 , G06V20/64 , G06V20/70 , G06V10/26 , G06V10/426 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455
摘要： 本申请公开了一种高光谱点云数据语义识别方法及系统，本申请的技术方案基于图数据的公共语义表示方法，将获取到的高光谱点云数据转化成图形式数据，根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据，能自然地捕获点云表面的点之间的多边关系，能够有效处理光谱和几何信息这种复杂数据结构，从而有效提高点云处理效率，减少网络消耗的计算资源。
-
公开(公告)号：CN116721313B
公开(公告)日：2024-10-11
申请号：CN202310773583.0
申请日：2023-06-27
申请人： 广东工业大学 , 航天宏图信息技术股份有限公司
IPC分类号： G06V10/774 , G06V10/26 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/82
摘要： 一种基于无监督学习的RGB图像高光谱重建方法及系统，首先对获得的高光谱数据集及RGB图像语义分割数据集进行预处理，然后构建生成对抗网络模型，构建模型后向生成对抗网络模型输入预处理后的高光谱数据集及RGB图像语义分割数据集，利用自适应竞争梯度下降法对生成对抗网络模型进行更新训练，得到训练好的生成对抗网络模型，最后向训练好的生成对抗网络模型输入待重建的RGB图像，利用生成对抗网络模型的生成器卷积神经网络，输出重建好的高光谱图像。本发明通过构造一种生成对抗网络模型，并将生成对抗网络模型与自适应竞争梯度下降法相结合，从而在高鲁棒性的同时保障了高光谱图像重建前后语义一致。
-
-
-
-
-
-
-
-
-
搜索结果
52 条记录 (耗时 0.024 秒)
