-
公开(公告)号：CN114842206A
公开(公告)日：2022-08-02
申请号：CN202210776160.X
申请日：2022-07-04
申请人： 江西师范大学
IPC分类号： G06V10/26 , G06V20/70 , G06V20/13 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/774 , G06N3/04 , G06N3/08
摘要： 本发明属于图像处理技术领域，涉及基于双层全局卷积的遥感图像语义分割模型及方法，该模型包括特征提取网络、用于处理不同层特征的上层分支和下层分支、特征融合网络；特征提取网络输出的高层特征和低层特征分别经过上层分支和下层分支增强后，然后进行特征融合；上层分支包括补丁注意力模块Ⅰ、全局卷积模块Ⅰ；下层分支包括补丁注意力模块Ⅱ、全局卷积模块Ⅱ、注意力嵌入模块、全局卷积模块Ⅲ。本发明采用注意力嵌入模块将局部注意力从高层特征嵌入到低层特征中，能使低层特征中嵌入上下文信息；采用全局卷积模块以组合卷积的形式扩大感受野，提升大尺寸地物目标的分割性能。
-
公开(公告)号：CN112418176A
公开(公告)日：2021-02-26
申请号：CN202011449182.2
申请日：2020-12-09
申请人： 江西师范大学
摘要： 本发明公开了一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法，采用ResNet提取特征，将ResNet各阶段提取的特征分别引入到空间金字塔池化结构中提取目标的多尺度信息，在特征提取的最后部分引入双重注意力模块，增强特征表示能力，并采用多层级特征融合策略将池化后特征和双重注意力模块获取的特征进行特征融合，实现遥感图像的精细化分类。
-
公开(公告)号：CN112348814A
公开(公告)日：2021-02-09
申请号：CN202011426406.8
申请日：2020-12-09
申请人： 江西师范大学
摘要： 本发明公开了一种高分辨率遥感图像多尺度稀疏卷积变化检测方法，以像素点为中心的图像块对为输入，以变化检测多通道网络模型为基础，通过分析图像对的相似性来判断像素点的变化性质。所提方法提出一种多尺度稀疏卷积模块处理图像块对，利用不同数量不同尺度的卷积层提取多尺度的特征，通过1x1卷积层实现跨通道信息整合，把不同通道中相关性高、同一空间位置的特征聚合在一起，然后所有特征图拉成特征向量，利用全连接操作对特征信息进行整合并压缩，并根据逻辑回归层输出中心像素变化概率给出预测结果。所提方法一定程度上缓解了过拟合问题，使模型具有高效的学习能力和高容量的表达能力，能有效检测高分辨率遥感图像中大、小目标的变化情况。
-
公开(公告)号：CN112561799A
公开(公告)日：2021-03-26
申请号：CN202011514281.4
申请日：2020-12-21
申请人： 江西师范大学
摘要： 本发明公开一种红外图像超分辨率重建方法，首先构建GAN网络模型，然后对所构建的GAN网络模型进行训练，优化GAN网络模型中的参数。本发明在生成网络中引入密集残差网络以及渐进式上采样方式，获取各网络层提取的图像特征以保留图像更多的高频信息，提高了超分辨重建图像中的细节特征。提出的基于GAN网络的超分辨率重建方法，在GAN网络的生成网络中应用残差密集网络获取各网络层提取的图像特征，保留了图像更多的高频信息，并采用渐进式上采样方式，提升了大缩放因子下超分辨率重建效果。
-
公开(公告)号：CN118918320A
公开(公告)日：2024-11-08
申请号：CN202411404875.8
申请日：2024-10-10
申请人： 江西师范大学
IPC分类号： G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/088 , G06N3/096
摘要： 本发明属于图像处理技术领域，公开了一种基于迁移学习的半监督高分辨率遥感图像变化检测方法，将全监督过程中训练得到的模型参数作为无监督学习过程中的初始模型参数；无监督学习中，将深度特征提取模块的输出特征图经过随机扰动差异化获得多个扰动特征图，深度特征提取模块的输出特征图和多个扰动特征图分别采用解码器获得包含变化信息的多个预测变化图，得到无监督学习后的模型参数；基于无监督学习后的模型参数进行迁移学习，获得新的模型参数；利用新的模型参数对目标领域数据进行变化检测。本发明将源领域训练得到的深度学习模型通过迁移学习技术应用到目标领域，帮助目标领域的变化检测模型具有更好的检测性能。
-
公开(公告)号：CN114842206B
公开(公告)日：2022-09-30
申请号：CN202210776160.X
申请日：2022-07-04
申请人： 江西师范大学
IPC分类号： G06V10/26 , G06V20/70 , G06V20/13 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/774 , G06N3/04 , G06N3/08
摘要： 本发明属于图像处理技术领域，涉及基于双层全局卷积的遥感图像语义分割系统及方法，该模型包括特征提取网络、用于处理不同层特征的上层分支和下层分支、特征融合网络；特征提取网络输出的高层特征和低层特征分别经过上层分支和下层分支增强后，然后进行特征融合；上层分支包括补丁注意力模块Ⅰ、全局卷积模块Ⅰ；下层分支包括补丁注意力模块Ⅱ、全局卷积模块Ⅱ、注意力嵌入模块、全局卷积模块Ⅲ。本发明采用注意力嵌入模块将局部注意力从高层特征嵌入到低层特征中，能使低层特征中嵌入上下文信息；采用全局卷积模块以组合卷积的形式扩大感受野，提升大尺寸地物目标的分割性能。
-
公开(公告)号：CN114782254A
公开(公告)日：2022-07-22
申请号：CN202210534264.X
申请日：2022-05-17
申请人： 江西师范大学
摘要： 本发明属于图像处理技术领域，涉及一种融合边缘信息的红外图像超分辨率重建系统及方法，包括生成对抗网络模型，生成对抗网络模型由边缘检测网络，若干边缘特征处理模块和图像超分辨率重建网络构成，边缘检测网络包括若干个卷积阶段；图像超分辨率重建网络包括若干层级深度特征提取模块；本发明利用边缘检测网络来提取图像的边缘特征，将训练完成的边缘检测网络融合进超分辨率重建网络中，共同构成该生成对抗网络模型。本发明使重建的高分辨率红外图像具有更加锐利的边缘细节信息，拥有更好的视觉效果。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.023 秒)
