面向遥感影像的多尺度压缩方法
    1.
    发明公开

    公开(公告)号:CN117671490A

    公开(公告)日:2024-03-08

    申请号:CN202311614514.1

    申请日:2023-11-29

    摘要: 本发明涉及一种面向遥感影像的多尺度压缩方法,包括以下步骤S1、对于输入模型,在特征空间中,通过卷积扩张提高感受野范围;S2、在所述特征空间中,通过对链接参数层激活约束,对特征进行筛选;S3、通过等价映射将所述特征空间映射到参数空间,利用线性合并的方式进行重参数化,获得紧致模型。本发明,通过在特征空间中进行卷积扩张提高了感受野范围,提升了尺度信息的丰富性;通过对链接参数层激活约束,对特征进行筛选压缩,并利用线性合并的方式进行重参数化,获得紧致模型,有效保证了模型的表征能力。

    一种基于样本重要性选择的遥感语义分割方法

    公开(公告)号:CN117635932A

    公开(公告)日:2024-03-01

    申请号:CN202311532900.6

    申请日:2023-11-16

    摘要: 本发明涉及一种基于样本重要性选择的遥感语义分割方法,包括以下步骤:获取无标签的新增样本,根据低置信度样本选择学习策略对所述无标签的新增样本进行排序、选择和标注,获得低置信度新增样本;获取带标签的历史样本,根据低精度样本选择回放策略对所述带标签的历史样本进行排序和选择,获得低精度历史样本;所述低置信度新增样本和所述低精度历史样本组成富信息样本集,通过所述富信息样本集训练语义分割模型,对所述语义分割模型进行微调。本发明,通过筛选出低置信度新增样本和低精度历史样本获得富信息样本集,并通过富信息样本集对语义分割模型进行训练微调,提高了模型的学习效率,克服了模型灾难性遗忘的问题。