-
公开(公告)号：CN113888491B
公开(公告)日：2024-06-14
申请号：CN202111136667.0
申请日：2021-09-27
申请人： 长沙理工大学
IPC分类号： G06T7/00 , G06T3/4053 , G06T5/92 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/13
摘要： 本发明公开了一种基于非局部特征的多级高光谱图像递进超分方法及系统，本发明方法包括将低分辨率图像输入预先训练好的多级渐进网络来获得重建高分辨率图像，多级渐进网络包括初步特征提取模块、最终特征提取模块及依次布置在初步特征提取模块、最终特征提取模块之间的多个基于局部和非局部特征的特征提取级模块。每一个特征提取级模块的输入经过本级特征提取后的特征图和初步卷积输出的特征图相加，再通过转置卷积上采样得到超分重建图像，然后再经过跨步卷积下采样输出至下一个特征提取级模块。本发明在每一级实现了局部特征和全局特征的联合提取，能够有效地提升高光谱重建图像的空间分辨率，同时具有更高的重建质量。
-
公开(公告)号：CN116664406A
公开(公告)日：2023-08-29
申请号：CN202310658797.3
申请日：2023-06-05
申请人： 长沙理工大学
IPC分类号： G06T3/40
摘要： 本发明公开了一种基于通道MLP提取空谱特征的高光谱图像超分方法及系统，本发明采用的超分辨率网络模型包括：通道MLP模块、空谱特征提取单元、上采样模块以及重构模块；其中空谱特征提取单元由n个空谱特征提取模块级联构成，用于对浅层特征提取空谱特征，并对所有空谱特征提取模块的输出通过残差连接相加得到输出特征；空谱特征提取模块由通道MLP模块结合波段分组、波段滑动、波段打乱、通道分组操作组成；重构模块用于对输入的低分辨率高光谱图像进行插值放大，并与上采样特征Fup相加得到高分辨率高光谱图像。本发明旨在实现一种效果更好、计算资源消耗更小的高光谱图像超分辨率技术，以解决高光谱图像空间分辨率低的问题。
-
公开(公告)号：CN111080567A
公开(公告)日：2020-04-28
申请号：CN201911271164.7
申请日：2019-12-12
申请人： 长沙理工大学
摘要： 本发明公开了一种基于多尺度动态卷积神经网络的遥感图像融合方法及系统，该方法首先将高分辨率全色图像和低分辨率多光谱图像通过多尺度滤波器生成网络动态产生多尺度滤波器，然后将滤波器与全色图像进行多尺度动态卷积；利用权重生成网络对动态卷积所得到的细节特征进行适当的加权，将加权后的多尺度细节特征通过两个卷积层后得到最终的细节图像，再将细节图像与低分辨率多光谱图像相加得到融合图像。本发明采用多尺度局部自适应动态卷积，可根据每个输入图像在每个像素位置动态产生局部自适应滤波器，加强了网络的自适应性，提高了网络的泛化能力，获得了好的融合效果，可用于目标检测、目标识别等。
-
公开(公告)号：CN111080567B
公开(公告)日：2023-04-21
申请号：CN201911271164.7
申请日：2019-12-12
申请人： 长沙理工大学
IPC分类号： G06T5/50 , G06V20/13 , G06V10/82 , G06N3/0464
摘要： 本发明公开了一种基于多尺度动态卷积神经网络的遥感图像融合方法及系统，该方法首先将高分辨率全色图像和低分辨率多光谱图像通过多尺度滤波器生成网络动态产生多尺度滤波器，然后将滤波器与全色图像进行多尺度动态卷积；利用权重生成网络对动态卷积所得到的细节特征进行适当的加权，将加权后的多尺度细节特征通过两个卷积层后得到最终的细节图像，再将细节图像与低分辨率多光谱图像相加得到融合图像。本发明采用多尺度局部自适应动态卷积，可根据每个输入图像在每个像素位置动态产生局部自适应滤波器，加强了网络的自适应性，提高了网络的泛化能力，获得了好的融合效果，可用于目标检测、目标识别等。
-
公开(公告)号：CN112465733B
公开(公告)日：2022-06-28
申请号：CN202010894787.6
申请日：2020-08-31
申请人： 长沙理工大学
摘要： 本发明公开了一种基于半监督学习的遥感图像融合方法、装置、介质及设备，本发明由低尺度的监督学习和原始尺度的无监督学习构成，在进行监督学习时，将低分辨率多光谱和全色图像输入融合网络得到低分融合图像，计算参考图像与融合结果之间的低尺度损失。由于在高分部分不存在高分参考图像，本发明建立了光谱和空间退化网络实现对多光谱图像空间和光谱的约束，使用建立的光谱和空间退化网络得到原始尺度损失。本发明方法在低分部分监督学习，在高分部分无监督学习，通过半监督学习的方式来训练网络，使低分图像和高分图像的表现保持一致。实验结果表明，本发明提出的基于半监督学习的遥感图像融合方法可以达到好的融合效果。
-
公开(公告)号：CN112465733A
公开(公告)日：2021-03-09
申请号：CN202010894787.6
申请日：2020-08-31
申请人： 长沙理工大学
摘要： 本发明公开了一种基于半监督学习的遥感图像融合方法、装置、介质及设备，本发明由低尺度的监督学习和原始尺度的无监督学习构成，在进行监督学习时，将低分辨率多光谱和全色图像输入融合网络得到低分融合图像，计算参考图像与融合结果之间的低尺度损失。由于在高分部分不存在高分参考图像，本发明建立了光谱和空间退化网络实现对多光谱图像空间和光谱的约束，使用建立的光谱和空间退化网络得到原始尺度损失。本发明方法在低分部分监督学习，在高分部分无监督学习，通过半监督学习的方式来训练网络，使低分图像和高分图像的表现保持一致。实验结果表明，本发明提出的基于半监督学习的遥感图像融合方法可以达到好的融合效果。
-
公开(公告)号：CN113888491A
公开(公告)日：2022-01-04
申请号：CN202111136667.0
申请日：2021-09-27
申请人： 长沙理工大学
摘要： 本发明公开了一种基于非局部特征的多级高光谱图像递进超分方法及系统，本发明方法包括将低分辨率图像输入预先训练好的多级渐进网络来获得重建高分辨率图像，多级渐进网络包括初步特征提取模块、最终特征提取模块及依次布置在初步特征提取模块、最终特征提取模块之间的多个基于局部和非局部特征的特征提取级模块。每一个特征提取级模块的输入经过本级特征提取后的特征图和初步卷积输出的特征图相加，再通过转置卷积上采样得到超分重建图像，然后再经过跨步卷积下采样输出至下一个特征提取级模块。本发明在每一级实现了局部特征和全局特征的联合提取，能够有效地提升高光谱重建图像的空间分辨率，同时具有更高的重建质量。
-
公开(公告)号：CN113901928A
公开(公告)日：2022-01-07
申请号：CN202111190329.5
申请日：2021-10-13
申请人： 长沙理工大学
摘要： 本发明公开了一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及系统，该方法将输入的待检测图像送至动态超分模块；动态超分模块由动态路径选择网络以及两个不同类型的超分网络组成，动态路径选择网络根据输入图像的特征自适应地选择超分网络；超分网络对输入图像进行图像超分处理后送至目标检测模块得到目标检测结果，本发明所述方法使用动态超分辨率方法提高了低分辨率输入图像及小目标的检测性能，且检测速度快，能够达到实时检测的要求，尤其是将其应用于无人机输电线路巡检过程中，可以促进无人机巡检代替人工巡检输电线路，实用价值较高。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.022 秒)
