专利交易市场

本发明公开了一种基于伪脑网络模型下的涉恐场景识别方法。本发明包括如下步骤：步骤1、通过CNN图像分类器，得到涉恐场景图片概率值；步骤2、通过伪脑网络图像分类器，得到涉恐场景图片概率值；步骤3、将CNN图像分类器分类结果和伪脑网络图像分类器分类结果输入给神经网络融合模型，输出场景事件分类结果，涉恐场景＝1，非涉恐场景＝0。本发明将深度学习算法与等效伪脑网络模型相结合。深度学习网络用于机器视觉图像分类，伪脑网络模型替代人脑对视听觉信息高级特征进行融合，实现环境物体感知和环境认知。

本发明公开了一种用于城市遥感场景识别的LW‑CNN方法，包括：输入原始城市遥感图像至LW‑CNN场景识别网络，采用多通道模块对城市遥感图像进行多视野特征提取；采用自适应池化层，根据提取得到的多视野特征图尺寸，自动调整其中部分通道的卷积核和卷积步长，以统一输出固定尺寸的特征图；基于深层特征提取模块，采用深度可分离卷积方式，对调整尺寸后的多视野特征图进行深层特征提取；采用跳跃连接方式对深层特征提取块输出的多层特征进行融合；对融合得到的特征进行全局平均池化处理，以提取遥感图像全局特征。本发明能够在保证网络层深度的情况下，减小网络参数，且图像输入尺寸不受限制，提升遥感场景识别的精度。

本发明公开了一种基于尺度不变特征极限学习机的机器人场景识别算法，该方法包括以下步骤:首先，利用尺度不变特征表达机器人视觉图像的场景，其次使用K均值聚类算法实现机器人场景图像表达码本，最后利用极限学习机算法建立机器人视觉场景图像和场景标签之间的映射关系。本方法利用了极限学习机的优点，降低了传统神经网络的参数估计和优化的复杂度，进一步缩短了训练时间和提高了机器人场景图像的识别率。

本发明应用于图像检索技术领域，其提供一种场景识别方法、装置、智能设备及存储介质，所述场景识别方法包括：获取待处理图像以及待处理图像对应的语义掩码图；其中，待处理图像包括查询图像及待识别图像，所述待处理图像对应的语义掩码图包括所述查询图像的语义掩码图和所述待识别图像的语义掩码图；根据语义掩码图对待处理图像进行特征聚合处理，得到待处理图像的特征向量；利用待处理图像的特征向量从待识别图像中确定与查询图像的场景匹配的图像。以此通过语义掩码图降低干扰因素特征对特征识别的干扰，进而提高场景识别的鲁棒性。

本发明涉及遥感场景识别技术领域，具体涉及一种基于多模态的遥感场景识别方法、系统及介质，方法包括：获取遥感场景的图像集，搭建用于提取遥感地物要素文本模态信息的语义分割网络，通过图像集对语义分割网络进行训练，得到训练好的语义分割网络；搭建包含语义加权模块的多模态场景识别模型，将图像集经过训练好的语义分割模型获取地物要素并转换为文本信息集后，与其一并输入多模态场景识别模型进行训练，得到训练好的多模态场景识别模型；将待分割的遥感图像输入到训练好的语义分割网络获取地物要素并转换为文本信息后，将其与文本信息一并输入训练好的多模态场景识别模型进行场景识别；本发明能够提高遥感图像场景识别精度。

本发明涉及遥感图像识别技术领域，具体涉及一种基于不确定性量化的遥感场景识别方法、系统及介质，方法包括：获取数据集，将数据集输入多个结构相同但初始参数不同的神经网络，以得到不确定性映射向量；构建遥感图像识别网络，采用批量训练方法，将数据集输入至遥感图像识别网络进行训练，得到特征映射；对不确定性映射向量进行二值化处理得到掩码向量，对掩码向量和特征映射做点积操作，得到具有高置信度的特征向量；确定特征向量的损失函数，基于损失函数对遥感图像识别网络进行训练，得到场景识别模型；获取待识别的遥感图像，将遥感图像输入场景识别模型，得到遥感图像的场景类别；本发明能够提高场景类别识别的准确度。

本发明公开了一种基于卷积特征和空间视觉词袋模型的场景识别方法。该方法包括：对原始数据库中的数据进行扩增技术，产生大量的、与原数据相似、标签不变的训练数据；对数据库中的图像进行预处理，得到符合的场景图像；利用构建的卷积神经网络模型及其训练后得到的参数设置，训练得到数据库图像的卷积特征；将得到的图像卷积特征用空间视觉词袋模型进行词典生成特征编码并形成直方图矢量；引入并联的思想融合多种特征,发挥其优势并结合SVM分类器实现场景分类性能的提高。