CN117237822B - 面向基础模型终端部署的协同推理方法 - Google Patents
面向基础模型终端部署的协同推理方法 Download PDFInfo
- Publication number
- CN117237822B CN117237822B CN202311489685.6A CN202311489685A CN117237822B CN 117237822 B CN117237822 B CN 117237822B CN 202311489685 A CN202311489685 A CN 202311489685A CN 117237822 B CN117237822 B CN 117237822B
- Authority
- CN
- China
- Prior art keywords
- collaboration
- map
- feature
- terminal
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000007906 compression Methods 0.000 claims abstract description 17
- 230000006835 compression Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种面向基础模型终端部署的协同推理方法，涉及遥感图像处理领域，用于解决单个终端无法准确反映观测区域全局知识的问题，包括：构建分布式协同推理框架，包括多个卫星终端，每个卫星终端部署特征提取模型、协作图生成器、空间特征压缩模块及空间置信特征融合模块；将每个卫星终端观测的遥感图像分别输入对应的特征提取模型，得到特征图，将特征图输入协作图生成器，生成空间协作图；计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度，将匹配度最高的卫星终端确定为协作端；根据协作端的空间协作图压缩协作端的特征图，并生成协作请求图；将压缩后的特征图和协作请求图传输至请求端与特征图融合；根据融合特征进行推理。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种面向基础模型终端部署的协同推理方法。
背景技术
随着遥感平台硬件技术水平的提升和深度神经网络的快速发展，对地观测解译任务逐渐向边缘化发展，在遥感终端上部署基础模型在轨推理成为遥感图像处理新趋势。但单个终端受限于自身观测方式的单一性，获取到的遥感图像信息单一片面，可能无法准确全面地反映观测区域的全局知识。
发明内容
有鉴于此，本发明第一方面提供一种面向基础模型终端部署的协同推理方法，包括：构建分布式协同推理框架，分布式协同推理框架包括多个卫星终端，每个卫星终端部署有特征提取模型、协作图生成器、空间特征压缩模块以及空间置信特征融合模块；利用多个卫星终端对同一场景进行观测，得到多个遥感图像；将每个遥感图像分别输入对应的卫星终端的特征提取模型进行特征提取，得到遥感图像的特征图，将特征图输入协作图生成器，生成空间协作图，空间协作图反映了卫星终端的观测水平；从多个卫星终端中确定请求端，分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度，将其他卫星终端中匹配度最高的卫星终端确定为协作端；根据协作端的空间协作图对协作端的特征图进行压缩，根据协作端的空间协作图生成协作请求图；将压缩后的特征图和协作请求图传输至请求端与请求端的特征图进行融合，得到融合特征；根据融合特征进行推理，得到图像检测结果。
根据本发明的实施例，分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度包括：对请求端的空间协作图进行二值化；根据二值化后的空间协作图生成被协作请求，将被协作请求广播至其他终端；对于其他卫星终端中的每一个卫星终端，分别对被协作请求进行解析，得到请求端的空间协作图，并计算对应的空间协作图与请求端的空间协作图之间的匹配度。
根据本发明的实施例，根据协作端的空间协作图对协作端的特征图进行压缩包括：将协作端的特征图和空间协作图输入协作端的空间特征压缩模块，对空间协作图和特征图进行矩阵元素级乘积操作，得到空间稀疏的特征图，空间稀疏的特征图包括目标置信度最高的区域。
根据本发明的实施例，将压缩后的特征图和协作请求图传输至请求端与请求端的特征图进行融合，得到融合特征包括：将压缩后的特征图、协作请求图、请求端的特征图输入请求端的空间置信特征融合模块，以协作请求图为空间先验信息，对压缩后的特征图与请求端的特征图进行逐位置融合，得到融合特征。
根据本发明的实施例，以协作请求图为空间先验信息，对压缩后的特征图与请求端的特征图进行逐位置融合，得到融合特征包括：对协作请求图进行解码，得到协作端的空间协作图；以协作端的空间协作图作为特征融合过程中的空间先验信息，采用多头注意力机制对压缩后的特征图与请求端的特征图进行逐位置融合。
根据本发明的实施例，对协作请求图进行解码包括：将协作请求图与全1矩阵进行元素减法，得到协作端的空间协作图。
根据本发明的实施例，空间协作图的元素取值包括0或1，0表示特征图对应位置存在目标的置信度低于设定阈值，1则表示特征图对应位置存在目标的置信度高于设定阈值。
根据本发明的实施例，每个卫星终端部署的特征提取模型、协作图生成器、空间特征压缩模块以及空间置信特征融合模块的结构相同。
根据本发明的实施例，采用ResNet-18网络作为神经网络模型的特征提取模型，提取每个遥感图像中的特征图。
根据本发明的实施例，方法还包括：训练分布式协同推理框架，训练过程中，特征提取模型的参数冻结，调整协作图生成器、空间特征压缩模块以及空间置信特征融合模块的参数。
根据本发明实施例提供的面向基础模型终端部署的协同推理方法，至少能够实现以下技术效果：
通过设计一个协作图生成器生成协作特征图作为空间先验信息，并匹配各端生成的协作请求，计算匹配分数，分数最高被选作是协作端进行协同推理，最大程度提升信息增益。
协作端利用空间特征压缩模块得到空间稀疏的特征图，降低了卫星终端之间的传输成本。
部署空间置信特征融合模块，请求端依靠协作端的空间协作图提供空间先验，对收到的特征进行卫星终端之间的特征融合，避免无效特征信息干扰，最终实现多端观测信息的互补融合，从而获取到比单终端更加完全、可靠的推理结果。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本发明实施例的面向基础模型终端部署的协同推理方法流程图。
图2示意性示出了根据本发明实施例的确定协作端的过程图。
图3示意性示出了根据本发明实施例的请求端与协作端协同推理流程图。
图4示意性示出了根据本发明实施例的空间特征压缩过程图。
图5示意性示出了根据本发明实施例的空间置信特征融合过程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要理解的是，术语“纵向”、“长度”、“周向”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的子系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
贯穿附图，相同的元素由相同或相近的附图标记来表示。可能导致本发明的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状、尺寸、位置关系不反映真实大小、比例和实际位置关系。另外，在本发明中，不应将位于括号之间的任何参考符号构造成对本发明的限制。
类似地，为了精简本发明并帮助理解各个公开方面中的一个或多个，在上面对本发明示例性实施例的描述中，本发明的各个特征有时被一起分到单个实施例、图或者对其描述中。参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或者多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。
分布式卫星观测平台具备协同观测和内部通信的能力，为协同感知提供了基础。协同感知是指多个平台之间共享特征信息，以增强局部感知能力。面向同一场景的多卫星终端观测可获取到多幅遥感影像，这些影像中包含共有的知识以及差异的知识，可以通过分布式协同推理的方式联合多端信息有效提高对地观测任务精度。有鉴于此，本发明提供了一种面向基础模型终端部署的协同推理方法，下面结合具体的实施例进行介绍。
图1示意性示出了根据本发明实施例的面向基础模型终端部署的协同推理方法流程图。
如图1所示，面向基础模型终端部署的协同推理方法例如可以包括操作S101~操作S107。
在操作S101，构建分布式协同推理框架，分布式协同推理框架包括多个卫星终端，每个卫星终端部署有特征提取模型、协作图生成器、空间特征压缩模块以及空间置信特征融合模块。
在本发明的实施例中，各个卫星终端部署相同结构的特征提取模型协作图生成器、空间特征压缩模块以及空间置信特征融合模块。
在操作S102，利用多个卫星终端对同一场景进行观测，得到多个遥感图像。
在本发明的实施例中，对于同一场景，不同卫星终端观测的眼高图像被输入不同卫星终端的神经网络模型进行后续的特征提取
在操作S103，将每个遥感图像分别输入对应的卫星终端的特征提取模型进行特征提取，得到遥感图像的特征图，将特征图输入协作图生成器，生成空间协作图。
在本发明的实施例中，空间协作图反映了卫星终端的观测水平。可以采用ResNet-18网络作为神经网络模型的特征提取模型，提取每个遥感图像中的特征图。该网络在模型轻量化与指标性能具有较好的权衡适合用于遥感终端的边缘部署，并将第四层的特征用于后续的模块处理。这样做可以保留更高层次的语义信息，并提供更丰富的特征表示，有助于后续的协同感知和特征融合过程。空间协作图与特征图的尺寸大小相同，用于空间稀疏的协作请求编码。
在操作S104，从多个卫星终端中确定请求端，分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度，将其他卫星终端中匹配度最高的卫星终端确定为协作端。
在本发明的实施例中，分布式协同推理框架中有任务执行需求的卫星终端称之为请求端，其余卫星终端作为候选的协作端，每个卫星终端都输入对同一场景的观测图像，联合实现分布式协同推理。
图2示意性示出了根据本发明实施例的确定协作端的过程图。
如图2所示，分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度包括：对请求端的空间协作图进行二值化；根据二值化后的空间协作图生成被协作请求，将被协作请求广播至其他终端；对于其他卫星终端中的每一个卫星终端，分别对被协作请求进行解析，得到请求端的空间协作图，并计算对应的空间协作图与请求端的空间协作图之间的匹配度。
在得到匹配度后，其他卫星终端将匹配度回传给发出被协作请求的终端。请求端综合匹配度，在多个候选端中选择分数最高的卫星终端为协作端，建立协作联系。
在操作S105，根据协作端的空间协作图对协作端的特征图进行压缩，根据协作端的空间协作图生成协作请求图。
在本发明的实施例中，将协作端的特征图和空间协作图输入协作端的空间特征压缩模块，对空间协作图和特征图进行矩阵元素级乘积操作，得到空间稀疏的特征图，空间稀疏的特征图包括目标置信度最高的区域。
图3示意性示出了根据本发明实施例的请求端与协作端协同推理流程图。图4示意性示出了根据本发明实施例的空间特征压缩过程图。
如图3和图4所示，为了节省请求端与协作端之间特征传输成本，协作端对要传输的中间特征进行压缩，仅传输目标置信高的关键区域。在空间协作图的指导下，协作端压缩待传输的中间特征，得到空间稀疏的特征图，并将协作请求图和得到空间稀疏的特征图传给请求端。
空间特征压缩模块的输入包括待压缩的原始特征以及由特征生成的空间协作图，空间协作图的元素取值包括0或1，0表示特征图对应位置存在目标的置信度低于设定阈值，1则表示特征图对应位置存在目标的置信度高于设定阈值。将空间协作图与本地特征（前述特征图）进行矩阵元素级乘积操作，得到空间稀疏的特征图，相比于本地特征产生大量置零区域，在具体通信传输时可压缩传输，提高传输效率，以此达到了降低协同推理过程中的传输成本。
在操作S106，将压缩后的特征图和协作请求图传输至请求端与所述请求端的特征图进行融合，得到融合特征。
图5示意性示出了根据本发明实施例的空间置信特征融合过程图。
如图3-图5所示，请求端在本地将协作请求图解码为协作端原始的空间协作图，并将其作为后续多端特征融合的空间先验信息，做出更优的融合，提升特征表达能力。
在本发明的实施例中，将压缩后的特征图和所述协作请求图传输至请求端与请求端的特征图进行融合，得到融合特征包括：将压缩后的特征图、协作请求图、请求端的特征图输入请求端的空间置信特征融合模块，以协作请求图为空间先验信息，对压缩后的特征图与请求端的特征图进行逐位置融合，得到融合特征。
具体地，请求端对协作请求图进行解码，得到协作端的空间协作图，以协作端的空间协作图作为特征融合过程中的空间先验信息，采用多头注意力机制对压缩后的特征图与请求端的特征图进行逐位置融合。其中，对协作请求图进行解码包括：将协作请求图与全1矩阵进行元素减法，得到所述协作端的空间协作图。
在操作S107，根据融合特征进行推理，得到图像检测结果。
在本发明的实施例中，将融合特征输入请求端任务检测头，输出最终的图像检测结果，实现多端协同推理。
此外，在训练分布式协同推理框架过程中，将特征提取模型的参数冻结，调整协作图生成器、空间特征压缩模块以及空间置信特征融合模块的参数。
综上所述，本发明实施例提供的面向基础模型终端部署的协同推理方法，通过设计了一个多终端分布式协同推理框架，应用特定的协同策略选择最优的协同对象，交互传输压缩后的特征并进行多端特征融合，实现跨终端信息互补融合，在确保尽量减少端端传输成本的同时获取最大的信息融合增益，提高多端协同推理的任务精度。
本领域技术人员可以理解，本发明的各个实施例中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (6)
1.一种面向基础模型终端部署的协同推理方法，其特征在于，包括：
构建分布式协同推理框架，所述分布式协同推理框架包括多个卫星终端，每个卫星终端部署有特征提取模型、协作图生成器、空间特征压缩模块以及空间置信特征融合模块；
利用多个卫星终端对同一场景进行观测，得到多个遥感图像；
将每个所述遥感图像分别输入对应的卫星终端的特征提取模型进行特征提取，得到所述遥感图像的特征图，将所述特征图输入协作图生成器，生成空间协作图，所述空间协作图反映了所述卫星终端的观测水平；
从所述多个卫星终端中确定请求端，分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度，将其他卫星终端中匹配度最高的卫星终端确定为协作端；
根据所述协作端的空间协作图对协作端的特征图进行压缩，根据所述协作端的空间协作图生成协作请求图；
将压缩后的特征图和所述协作请求图传输至所述请求端与所述请求端的特征图进行融合，得到融合特征；
根据所述融合特征进行推理，得到图像检测结果；
其中：
所述分别计算请求端的空间协作图与其他卫星终端的空间协作图之间的匹配度包括：对所述请求端的空间协作图进行二值化；根据二值化后的空间协作图生成被协作请求，将所述被协作请求广播至其他终端；对于其他卫星终端中的每一个卫星终端，分别对所述被协作请求进行解析，得到请求端的空间协作图，并计算对应的空间协作图与请求端的空间协作图之间的匹配度；
所述根据所述协作端的空间协作图对协作端的特征图进行压缩包括：将所述协作端的特征图和空间协作图输入所述协作端的空间特征压缩模块，对所述空间协作图和所述特征图进行矩阵元素级乘积操作，得到空间稀疏的特征图，所述空间稀疏的特征图包括目标置信度最高的区域；
所述将压缩后的特征图和所述协作请求图传输至所述请求端与所述请求端的特征图进行融合，得到融合特征包括：将所述压缩后的特征图、所述协作请求图、所述请求端的特征图输入所述请求端的空间置信特征融合模块，以所述协作请求图为空间先验信息，对压缩后的特征图与所述请求端的特征图进行逐位置融合，得到所述融合特征；
所述以所述协作请求图为空间先验信息，对压缩后的特征图与所述请求端的特征图进行逐位置融合，得到所述融合特征包括：对所述协作请求图进行解码，得到所述协作端的空间协作图；以协作端的空间协作图作为特征融合过程中的空间先验信息，采用多头注意力机制对压缩后的特征图与所述请求端的特征图进行逐位置融合。
2.根据权利要求1所述的面向基础模型终端部署的协同推理方法，其特征在于，所述对所述协作请求图进行解码包括：
将所述协作请求图与全1矩阵进行元素减法，得到所述协作端的空间协作图。
3.根据权利要求1或2所述的面向基础模型终端部署的协同推理方法，其特征在于，所述空间协作图的元素取值包括0或1，0表示特征图对应位置存在目标的置信度低于设定阈值，1则表示特征图对应位置存在目标的置信度高于设定阈值。
4.根据权利要求1所述的面向基础模型终端部署的协同推理方法，其特征在于，每个卫星终端部署的特征提取模型、协作图生成器、空间特征压缩模块以及空间置信特征融合模块的结构相同。
5.根据权利要求1所述的面向基础模型终端部署的协同推理方法，其特征在于，采用ResNet-18网络作为神经网络模型的特征提取模型，提取每个遥感图像中的特征图。
6.根据权利要求1所述的面向基础模型终端部署的协同推理方法，其特征在于，所述方法还包括：
训练所述分布式协同推理框架，训练过程中，所述特征提取模型的参数冻结，调整所述协作图生成器、所述空间特征压缩模块以及所述空间置信特征融合模块的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489685.6A CN117237822B (zh) | 2023-11-10 | 2023-11-10 | 面向基础模型终端部署的协同推理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489685.6A CN117237822B (zh) | 2023-11-10 | 2023-11-10 | 面向基础模型终端部署的协同推理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237822A CN117237822A (zh) | 2023-12-15 |
| CN117237822B true CN117237822B (zh) | 2024-03-22 |
Family
ID=89098535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311489685.6A Active CN117237822B (zh) | 2023-11-10 | 2023-11-10 | 面向基础模型终端部署的协同推理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237822B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112182131A (zh) * | 2020-09-28 | 2021-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于多属性融合的遥感影像推荐方法 |
| CN112183595A (zh) * | 2020-09-18 | 2021-01-05 | 中国科学院空天信息创新研究院 | 一种基于分组压缩感知的时空遥感图像融合方法 |
| CN114140357A (zh) * | 2021-12-02 | 2022-03-04 | 哈尔滨工程大学 | 一种基于协同注意力机制的多时相遥感图像云区重建方法 |
| CN116002072A (zh) * | 2022-11-22 | 2023-04-25 | 中国空间技术研究院 | 一种广域红外点目标探测跟踪协同卫星系统 |
| CN116012880A (zh) * | 2022-12-29 | 2023-04-25 | 天翼物联科技有限公司 | 分布式边缘协同推理的行人重识别方法、系统及装置 |
| CN116560887A (zh) * | 2023-04-28 | 2023-08-08 | 西南交通大学 | 一种基于知识协同的低轨卫星故障分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11920899B2 (en) * | 2022-01-18 | 2024-03-05 | Rosemount Aerospace Inc. | Collaborative coordination of target engagement |
-
2023
- 2023-11-10 CN CN202311489685.6A patent/CN117237822B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183595A (zh) * | 2020-09-18 | 2021-01-05 | 中国科学院空天信息创新研究院 | 一种基于分组压缩感知的时空遥感图像融合方法 |
| CN112182131A (zh) * | 2020-09-28 | 2021-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于多属性融合的遥感影像推荐方法 |
| CN114140357A (zh) * | 2021-12-02 | 2022-03-04 | 哈尔滨工程大学 | 一种基于协同注意力机制的多时相遥感图像云区重建方法 |
| CN116002072A (zh) * | 2022-11-22 | 2023-04-25 | 中国空间技术研究院 | 一种广域红外点目标探测跟踪协同卫星系统 |
| CN116012880A (zh) * | 2022-12-29 | 2023-04-25 | 天翼物联科技有限公司 | 分布式边缘协同推理的行人重识别方法、系统及装置 |
| CN116560887A (zh) * | 2023-04-28 | 2023-08-08 | 西南交通大学 | 一种基于知识协同的低轨卫星故障分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于分布式压缩感知的遥感图像融合算法》;刘静等;《电子与信息学报》(第10期);2374-2381 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237822A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858486B (zh) | 一种基于深度学习的数据中心云端目标识别方法 | |
| JP5721197B2 (ja) | 三次元地物データ生成装置、三次元地物データ生成方法、および、三次元地物データ生成プログラム | |
| CN110175986B (zh) | 一种基于卷积神经网络的立体图像视觉显著性检测方法 | |
| KR20210094482A (ko) | 근적외선 이미지 생성 방법, 생성 네트워크의 트레이닝 방법 및 장치 | |
| Wang et al. | A bayesian approach to building footprint extraction from aerial lidar data | |
| CN108182265B (zh) | 针对关系网络的多层迭代筛选方法及装置 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN109753960A (zh) | 基于分形理论的孤立森林水下人工目标检测方法 | |
| CN109902616B (zh) | 基于深度学习的人脸三维特征点检测方法及系统 | |
| Liu et al. | Assessing the quality of building height extraction from ZiYuan-3 multi-view imagery | |
| CN114862837A (zh) | 基于改进YOLOv5s的人体安检图像检测方法及系统 | |
| WO2019176989A1 (ja) | 検査システム、識別システム、及び学習データ生成装置 | |
| CN102652319A (zh) | 用于改进图像匹配的方法和设备 | |
| CN111047630A (zh) | 神经网络和基于神经网络的目标检测及深度预测方法 | |
| CN117237822B (zh) | 面向基础模型终端部署的协同推理方法 | |
| CN114445480A (zh) | 基于Transformer的热红外图像立体匹配方法及装置 | |
| CN115546379A (zh) | 一种数据处理方法、装置和计算机设备 | |
| CN115866229B (zh) | 多视角图像的视角转换方法、装置、设备和介质 | |
| CN113269823A (zh) | 深度数据获取方法、装置、存储介质与电子设备 | |
| CN116563748A (zh) | 一种高层施工建筑物高度测量方法及系统 | |
| CN115965961A (zh) | 局部到全局的多模态融合方法、系统、设备及存储介质 | |
| CN100583129C (zh) | 基于三角形约束的误差控制的图像匹配传播方法 | |
| CN114913068A (zh) | 一种基于计算机视觉的无人机图像拼接方法及系统 | |
| CN109147958B (zh) | 一种基于图片传送的健康咨询平台通道构建方法及系统 | |
| CN117523410A (zh) | 基于多终端协同感知分布式大模型的图像处理及构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |