-
公开(公告)号：CN119229274A
公开(公告)日：2024-12-31
申请号：CN202411065656.1
申请日：2024-08-05
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明实施例公开了一种小样本高光谱图像分类方法，包括：获取源域高光谱图像、目标域高光谱图像，定义目标域高光谱图像中未标记数据为XU，定义目标域高光谱图像和源域高光谱图像的标记数据为XL；根据光谱特征偏移策略对目标域高光谱图像未标记数据XU进行增强，确定样本对数据；确定样本对数据的第一特征向量，并进一步确定无监督对比损失函数Luc，根据标记数据XL确定监督对比损失函数Lsc和分类损失函数Lcls，根据无监督对比损失函数Luc、监督对比损失函数Lsc和分类损失函数Lcls构建最终损失函数；根据源域高光谱图像、目标域高光谱图像训练图像分类模型，直至达到最大迭代次数；将测试样本输入训练后的图像分类模型，得到分类结果。
-
公开(公告)号：CN114842334A
公开(公告)日：2022-08-02
申请号：CN202210394874.4
申请日：2022-04-14
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/26 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种高光谱数据标注方法，主要解决现有技术不能对目标视觉不可见高光谱数据进行标注的问题。其实现方案是：借助Google地图，锁定目标视觉不可见的高光谱数据集目标可能存在的位置；利用ENVI对原始高光谱数据依次进行粗裁剪和细裁剪；对细裁剪后的图像数据进行视觉分析，选取目标特征相对明显的波段作为特征谱段并拼接成一个数据立方体；利用K‑means聚类法方法对数据立方体进行无监督聚类，得到像素数目基本不变的类；用目视分析从像素数目基本不变的类中确定目标置信点集合，并进行最终标注。本发明能对视觉不可见目标进行标注，无需去实地测量，节省了大量的物力和人力，可用于高光谱目标检测识别。
-
公开(公告)号：CN118334448A
公开(公告)日：2024-07-12
申请号：CN202410570013.6
申请日：2024-05-09
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V10/44 , G06V10/74 , G06V10/82 , G06V10/774 , G06V10/776 , G06V20/10 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N3/048
Abstract: 本发明涉及了遥感图像处理技术领域，具体涉及了一种基于传导式学习的小样本高光谱图像分类方法及系统，构建高光谱图像分类模型，利用源域数据集和目标域数据集中的数据对该高光谱图像分类模型进行训练，将待分类的高光谱图像输入到训练好的高光谱图像分类模型中，通过迭代的方式不断优化特征间的关系并生成各类别特征的原型，根据各类别特征对应的原型和待分类高光谱图像数据的特征的距离度量进行分类，根据分类结果得到高光谱图像分类结果。本方法对于小样本的高光谱图像分类更加准确。
-
公开(公告)号：CN114842334B
公开(公告)日：2025-04-08
申请号：CN202210394874.4
申请日：2022-04-14
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V20/70 , G06V10/22 , G06V10/26 , G06V10/762
Abstract: 本发明公开了一种高光谱数据标注方法，主要解决现有技术不能对目标视觉不可见高光谱数据进行标注的问题。其实现方案是：借助Google地图，锁定目标视觉不可见的高光谱数据集目标可能存在的位置；利用ENVI对原始高光谱数据依次进行粗裁剪和细裁剪；对细裁剪后的图像数据进行视觉分析，选取目标特征相对明显的波段作为特征谱段并拼接成一个数据立方体；利用K‑means聚类法方法对数据立方体进行无监督聚类，得到像素数目基本不变的类；用目视分析从像素数目基本不变的类中确定目标置信点集合，并进行最终标注。本发明能对视觉不可见目标进行标注，无需去实地测量，节省了大量的物力和人力，可用于高光谱目标检测识别。
-
公开(公告)号：CN118334420A
公开(公告)日：2024-07-12
申请号：CN202410425174.6
申请日：2024-04-10
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/77 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种多层级的跨场景高光谱图像分类方法，主要解决现有方法在跨场景高光谱分类任务中分类精度不佳,可解释性差的问题。实现方案为：利用获取到的高光谱目标域数据集对源域数据集进行图像级域自适应；利用源域和目标域的数据集划分训练集和测试集并对训练集样本进行数据增强；构建用于提取域不变特征的跨场景高光谱图像分类网络及其损失函数；将训练集样本输入到跨场景高光谱图像分类网络中，计算损失函数梯度，根据梯度下降的方向进行正向传播更新网络参数直至达到最大迭代次数；将测试集样本输入到训练好的分类网络得到分类结果。本发明能提高跨场景高光谱图像分类的精度，增强鲁棒性，可用于矿产勘测、生态监测、智慧农业及医疗诊断。
-
Patent Agency Ranking
公开(公告)号：CN118506065A
公开(公告)日：2024-08-16
申请号：CN202410570020.6
申请日：2024-05-09
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V10/44 , G06V10/80 , G06V10/74 , G06V10/82 , G06V10/774 , G06V10/776 , G06V20/10 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明涉及了图像处理技术领域，具体涉及了基于多层级注意力的小样本高光谱图像分类方法及系统。该方法将待分类的高光谱图像输入至构建好的分类模型中，基于原型与待分类的高光谱图像的特征的距离，进行分类，分类模型采用基于注意力机制的深度学习网络模型，包括串接的特征提取网络模块和数据交互模块，特征提取网络模块用于进行通道校准，数据交互模块用于根据校准后的数据进行相关性计算，得到特征向量，分类模型为利用源域数据集和目标域数据集中的数据训练得到的模型，本方法能够提高分类精度。
-
公开(公告)号：CN114882368B
公开(公告)日：2024-10-25
申请号：CN202210626027.6
申请日：2022-06-02
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/10 , G06V10/82 , G06V10/77 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度生成光谱‑空间分类器的非平衡高光谱图像分类方法，主要解决现有技术在面对非平衡高光谱分类任务中小类别分类精度不佳的问题。其实现方案为：获取高光谱图像并进行波段选择，将其划分为训练样本与测试样本；构建包含两阶段三维编码器、三维解码器、小类别上采样模块和分类器的非平衡高光谱图像的分类网络；利用训练样本对分类网络进行训练，设置总体损失函数，初始化网络训练参数，采用梯度下降方法更新分类网络，直至达到最大迭代次数；将测试样本输入到训练好的分类网络，得到分类结果。本发明提高了高光谱图像中小类别的分类精度，增强了鲁棒性，可用于矿产勘测，生态监测，智慧农业及医疗诊断。
-
公开(公告)号：CN118799731A
公开(公告)日：2024-10-18
申请号：CN202410953194.0
申请日：2024-07-16
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/084
Abstract: 本发明提供一种高光谱与多光谱图像的融合与分类一体化方法及系统，方法具体包括如下步骤：获取并预处理数据集；将预处理后的数据集划分为训练集和测试集；通过设置融合推理子网络、融合生成子网络以及分类子网络，构建融合识别一体化模型；采用训练集进行训练，优化模型参数，得到训练后的融合识别一体化模型；基于训练后的融合识别一体化模型，进行图像生成和图像分类，得到高分辨率的高光谱图像和高分辨率多光谱图像中各像素的类别标签结果。本发明通过构建一体化模型，以及通过对模型的训练和更新，获得高分辨率的高光谱图像，同时可实现高分辨率多光谱图像的像素级分类，该高分辨率高光谱图像的像素级分类结果具有更高的像素级分类精度。
-
公开(公告)号：CN114882368A
公开(公告)日：2022-08-09
申请号：CN202210626027.6
申请日：2022-06-02
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度生成光谱‑空间分类器的非平衡高光谱图像分类方法，主要解决现有技术在面对非平衡高光谱分类任务中小类别分类精度不佳的问题。其实现方案为：获取高光谱图像并进行波段选择，将其划分为训练样本与测试样本；构建包含两阶段三维编码器、三维解码器、小类别上采样模块和分类器的非平衡高光谱图像的分类网络；利用训练样本对分类网络进行训练，设置总体损失函数，初始化网络训练参数，采用梯度下降方法更新分类网络，直至达到最大迭代次数；将测试样本输入到训练好的分类网络，得到分类结果。本发明提高了高光谱图像中小类别的分类精度，增强了鲁棒性，可用于矿产勘测，生态监测，智慧农业及医疗诊断。
-
公开(公告)号：CN112116065A
公开(公告)日：2020-12-22
申请号：CN202010815176.8
申请日：2020-08-14
Applicant: 西安电子科技大学
Abstract: 本发明属于高光谱图像的处理技术领域，公开了一种RGB图像光谱重建方法、系统、存储介质及应用，构建具有结构张量约束的混合2‑D–3‑D深度残差注意力网络的骨干网络；构建残差注意力模块，包含多个2‑D残差注意力模块和3‑D残差注意力模块；分别在2‑D深度残差注意力网络和3‑D深度残差注意力网络中引入2‑D通道注意力机制和3‑D波段注意力机制；结合高光谱图像的像素数值和结构差异，采用结合结构张量和MRAE的形式作为损失函数，形成一个更精细的约束。本发明实现RGB图像到高光谱图像的端到端的映射，自适应地重新校准通道和波段维度的特征响应，增强判别学习能力，有助于在训练过程中恢复更精细、更准确的高光谱图像。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
