基于多尺度特征聚合网络的遥感图像显著性检测方法

    公开(公告)号:CN117809198A

    公开(公告)日:2024-04-02

    申请号:CN202410025432.1

    申请日:2024-01-08

    Abstract: 本发明公开了基于多尺度特征聚合网络的遥感图像显著性检测方法。首先进行数据集的收集和扩增;然后通过主干网络进行特征提取;再采用多尺度特征引导模块,使用不同膨胀率的膨胀卷积和特征注意力引导操作,同时融合主干网络分支的不同尺度的特征信息;对于得到的两个分支的特征通过特征对齐模块使用可变形卷积DCN来进行特征对齐聚合;最后解码最终特征生成预测图并进行损失监督。本发明提出了一种双分支架构网络来聚合两主干网络的特征,通过多尺度特征引导模块将来自不同分支的多尺度特征进行融合,更好地建模特征之间的上下文关系,增强了模型对不同尺度目标的感知能力,提高了对目标的识别和定位精度。

    一种适用于多环境下的无人机目标定位方法及系统

    公开(公告)号:CN118196663A

    公开(公告)日:2024-06-14

    申请号:CN202410359775.1

    申请日:2024-03-27

    Abstract: 本发明公开了一种适用于多环境下的无人机目标定位方法及系统。首先构建用于提取输入图像特征的图像特征提取网络;然后构建用于学习图像的风格特征的风格指示网络和用于调整风格信息的Ada‑IN仿射参数生成模块;再通过两个loss函数的联合优化。最后在实际使用时,通过衡量无人机图像描述子与卫星图像描述子之间的距离,得到匹配结果,实现多环境状况下的无人机目标定位。针对不同天气下的无人机采集图像,本发明能够将图像的语义信息和风格信息进行解耦分离,而后能够对图像特征中的风格信息进行自适应调整以实现同目标不同风格图像特征的统一与对齐,从而提高多天气环境下无人机目标地理定位的精度。

    一种用于控制无人机的方法、设备及计算机可读存储介质

    公开(公告)号:CN119126831A

    公开(公告)日:2024-12-13

    申请号:CN202411604017.8

    申请日:2024-11-12

    Abstract: 本发明涉及无人机控制技术领域,具体是一种用于控制无人机的方法、设备及计算机可读存储介质,该用于控制无人机的方法,包括如下步骤:获取无人机的系统效用计算模型;根据数据传输延时、无人机功耗和数据传输速度,获取第一约束条件、第二约束条件、第三约束条件和第四约束条件;根据所述第一约束条件、第二约束条件、第三约束条件和第四约束条件,以平均系统效用最大为目标,分别对所述无人机的飞行轨迹、任务卸载比、计算能力分配和移动用户关联进行优化,得到最优的无人机控制策略;采用所述最优的无人机控制策略对无人机进行控制。本发明所提供的无人机控制方法,能够提高无人机卸载任务时的平均系统效用。

    一种对称LED照明的无透镜显微成像系统及自动对焦方法

    公开(公告)号:CN118033884A

    公开(公告)日:2024-05-14

    申请号:CN202410221332.6

    申请日:2024-02-28

    Abstract: 本发明涉及一种对称LED照明的无透镜显微成像系统及自动对焦方法,该自动对焦方法通过对称LED光源照射,依次采集单个LED光源照射下的两幅图像,将样品的轴向离焦距离转化为对称LED光源照射下得到的两幅图像之间的横向像素偏移,计算出两幅图像之间的横向像素偏移后再结合预先得到的图像像素偏移与轴向离焦位移的线性关系,得到样品不同视场的轴向相对离焦距离,从而获得全视场的焦点图。只需在任意一子视场使用一次图像清晰度评价函数计算出该子视场的准确离焦距离,结合全视场的焦点图就可以得到全视场的准确离焦距离,实现全视场自动对焦,解决了传统无透镜显微成像系统自动对焦方法速度慢的问题。

    一种基于超图自编码器的多模态聚类方法

    公开(公告)号:CN119337161A

    公开(公告)日:2025-01-21

    申请号:CN202411286382.9

    申请日:2024-09-13

    Abstract: 本发明公开了一种基于超图自编码器的多模态聚类方法。首先获取模态数据集合,基于模态数据集合形成超图,并得到邻接矩阵;然后通过自编码器网络得到每个模态数据集合的编码器输出和解码器输出;再者,融合每个模态数据对应的潜在表示为多模态数据潜在表示,得到相应的相似度矩阵;综上更新自编码器网络的网络参数和多模态潜在表示直到损失函数收敛,最后根据更新的多模态潜在表示将多模态数据分为k个类别。本发明通过数据的结构先验来学习样本间的潜在相似性,有效的结构先验可以减轻样本特征的偏差。我们利用预训练模型的特征表示能力和超图的卓越建模能力,将特征先验和结构先验集成到模型中。这提高了自监督学习算法的质量。

    一种基于多级特征融合的条带钢表面缺陷检测方法

    公开(公告)号:CN117911334A

    公开(公告)日:2024-04-19

    申请号:CN202311807206.0

    申请日:2023-12-26

    Abstract: 本发明公开了一种基于多级特征融合的条带钢表面缺陷检测方法。首先获取带钢表面缺陷样本,构建基于多级特征融合的条带钢表面缺陷检测模型;利用获取的样本对模型进行训练,将待检测的数据输入至优化后的模型,得到输出的缺陷预测图,实现带钢表面缺陷的检测。本发明通过将输入分别传递到不同尺度的卷积层,每个卷积层使用不同的膨胀率和padding,可以获得不同尺寸的特征值。通过引入不同尺度的感受野,网络能够更全面地考虑输入数据的结构和关系,提高对复杂场景的理解能力。在条带钢表面缺陷的大小可能千差万别,使用不同膨胀率的卷积核允许网络更好地适应不同尺度的目标,提高了模型的鲁棒性。

Patent Agency Ranking