专利交易市场

一种时变数据的特征提取与追踪方法，首先让用户在时变数据某个时间步的两张切片上选择他们感兴趣的特征，基于此构造出一系列算法来获得可用于提取该特征的一组最佳化GMM准则；其次，利用最佳化GMM准则，从时变数据的每个时间步中提取出与用户选择特征相似的所有特征；再次，对于所提取出的所有时间步中的所有特征，构造一张全局追踪图来记录它们之间的所有追踪信息；最后，利用体绘制算法以动画形式可视化出追踪特征及其所处环境。本发明只需用户提供少量的特征信息(仅两个切片上的特征信息)，便可在整个时变数据中追踪该特征；能够从全局角度追踪提取的特征，从而能够避免利用局部追踪方法所产生的追踪错误，提高了特征追踪的精度。

本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。

本发明公开了一种基于局部跟踪器的红外小目标跟踪方法及系统，方法包括：步骤(1)：基于预训练好的多卷积层网络生成网络中每个卷积层对应的过滤器；步骤(2)：生成多个局部跟踪器，每个局部跟踪器包括一个多层卷积层网络、多个过滤器、一个融合模块和一个最大值求解模块；步骤(3)：对所述局部跟踪器进行训练，得到训练好的局部跟踪器；步骤(4)：将待识别区域划分为多个局部区域，并将训练好的局部跟踪器部署于不同的局部区域进行目标跟踪，在跟踪过程中，如果本地局部跟踪器定位到目标，则局部跟踪器跟随目标移动，在后续帧中继续跟踪目标，直至跟踪不到目标。本发明可实现频繁不连续移动目标的长期跟踪。

本发明请求保护一种基于多重注意力的孪生网络目标跟踪方法(SiamMAN,Siamese Multi‑attention Network)，属于计算机视觉技术领域。主要包括以下步骤：首先，为了更高效地利用目标特征信息来应对复杂背景干扰的问题，设计了一个多重注意力模块对特征进行优化，其中，通道注意力分支用于给更具判别性的通道赋予更高的权重，位置注意力分支充分利用目标的位置信息；其次，为了更好地利用浅层特征，在多重注意力模块中设计了一种特征融合方法，使用残差学习方法对浅层特征和经注意力分支优化后的特征进行融合，然后再融合两种注意力特征，进一步增强特征表示；最后，使用Focal‑EIoU损失作为回归损失函数，从而引导跟踪器生成更精确的跟踪框。

本发明公开了一种融合交互属性的行人重识别方法，具体包括以下步骤：构建行人图像数据库，对数据库中的行人图像进行小群体划分，以识别行人图像中的小群体；提取行人图像中行人的骨骼关键点，将小群体内的行人的骨骼关键点进行交互连接，以整合得到带有交互信息的动作骨骼图；通过图卷积网络提取动作骨骼图的交互信息，以提取得到行人图像数据库中行人的交互属性，本发明充分提取镜头下行人之间的关系信息，进行小群体划分，将这些信息用于交互行为识别，进一步挖掘镜头下行人的交互属性，将行人交互属性融入到行人重识别方法之中，为重识别提高效率和准确度。

本发明公开了一种基于微调CLIP的遥感图像变化检测方法，包括：获取原始双时遥感图像，并对遥感图像进行预处理；构建初始遥感图像变化检测模型，利用训练集训练初始遥感图像变化检测模型，得到目标遥感图像变化检测模型；利用目标遥感图像变化检测模型对遥感图像进行变化检测。本发明将预训练于大规模数据集的大模型CLIP引入到变化检测任务当中，旨在引导模型关注变化地物的通用特征，从而提升其泛化能力；本发明采用视觉提示的方法对CLIP进行微调，确保其在遥感下游任务中能够良好迁移；此外在构建损失函数时，本发明还引入了Dice系数损失，以增强模型对正例的敏感性。

本发明公开了基于Transformer的时空上下文目标跟踪方法及系统，方法如下：S1、图像的获取及预处理；S2、将图像输入至主干网络，通过Transformer编码器得到搜索区域特征、初始模板特征与动态更新模板特征；S3、将输出作为交互式特征增强模块的输入，采用多头交叉自注意力机制，得到混合特征；S4、将混合特征与目标查询作为Transformer解码器的输入，其中把Transformer解码器中的掩码自注意力机制部分采用多头自注意力机制层；得到Transformer解码器的输出后，计算该输出与混合特征嵌入之间的相似性并进行特征重塑，计算角点概率分布的期望得到边界预测框；S5、将Transformer解码器得到的输出作为得分头部的输入，得分头部由全连接层FFN与softmax激活函数组成，设置阈值判别是否进行模板更新。

本发明公开了一种有效且轻量的多尺度行人重识别方法，所述方法包括以下步骤：使用轻量的主干网络提取输入行人图像的特征；利用金字塔特征融合模块对主干网络得到的特征图进行融合处理；构建损失函数，对网络参数进行迭代优化；将最终提取到的行人图像特征与图像库中的各个图像进行相似性度量，输出匹配列表。本发明在保持较低的模型复杂度的同时，有效的提取行人图像的特征，并通过对特征的融合处理，增强了所得行人图像特征的鲁棒性，达到了优异的行人重识别性能。

本发明公开了一种基于多层动态集中和局部金字塔聚合的换衣行人重识别方法，包括以下步骤:(1)对图像数据集添加风雨场景并执行标准化预处理及数据增强操作；(2)构建输入到Transformer模型的序列；(3)构建基于标准Transformer架构的行人特征提取网络；(4)利用多层动态聚焦模块，对得到的Transformer各层特征进行动态权重调整与融合处理；(5)通过局部金字塔聚合模块选择性地提取并融合Transformer网络中的特定层特征，以获取多尺度特征信息；(6)根据步骤(4)‑(5)所得的特征输出应用于损失函数，以验证查询图像与测试图像是否为同一类别，从而完成模型的训练和优化；本发明在复杂场景下，尤其是面对换衣行人重识别任务时，能够显著提升算法的识别精度和鲁棒性。