【技术实现步骤摘要】
本专利技术涉及关联成像信息提取，具体为基于机器学习的关联成像信息提取技术及并行采样系统。
技术介绍
1、传统的关联成像信息提取技术在处理多源、多时相和多视角图像数据时面临诸多挑战。
2、首先，在特征匹配阶段，常用的方法难以应对图像间的大幅变化和复杂场景，导致匹配精度不高，影响后续分析的准确性。其次，图像配准过程中，传统算法在处理大量图像数据时计算效率低下，且对非刚性变形的适应性不足，难以实现高精度的多幅图像对齐。再者，在关联信息提取方面，传统方法往往依赖于手工设计的特征和规则，难以充分挖掘图像间的深层次关联信息，尤其是在处理高维度、非线性关系时表现不佳。传统技术缺乏有效的端到端学习机制，各个处理环节相对独立，难以实现全局优化。
3、此外，传统方法在小样本学习中缺乏量子关联约束机制，导致注意力权重调整缺乏物理依据，难以有效利用多探测器关联特性；现有实时检测网络多尺度特征融合不足，通道注意力缺乏量子统计验证，小目标定位易受噪声干扰，且检测结果缺少量子关联特性验证，导致复杂场景下的误检率偏高。
4、最后，在...
【技术保护点】
1.基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，包括数据收集模块（100）、特征点检测模块（200）、特征匹配与图像配准模块（300）和关联信息分析模块（400），其中：
2.根据权利要求1所述的基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，所述数据收集模块（100）使用并行采样技术，收集实时多幅图像数据，其中并行采样技术是一种同时从多个数据源以及多个采样点获取数据的方法，在图像采集中，使用多个同步的图像传感器同时捕捉场景的不同视角，生成多个视角的图像数据。
3.根据权利要求1所述的基于机器学习的关联成像信息提...
【技术特征摘要】
1.基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，包括数据收集模块（100）、特征点检测模块（200）、特征匹配与图像配准模块（300）和关联信息分析模块（400），其中：
2.根据权利要求1所述的基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，所述数据收集模块（100）使用并行采样技术，收集实时多幅图像数据，其中并行采样技术是一种同时从多个数据源以及多个采样点获取数据的方法，在图像采集中，使用多个同步的图像传感器同时捕捉场景的不同视角，生成多个视角的图像数据。
3.根据权利要求1所述的基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，所述特征点检测模块（200）通过对多幅图像数据中的每幅图像上构建高斯差分金字塔，以检测极值点，并生成特征描述符，具体包括：
4.根据权利要求3所述的基于机器学习的关联成像信息提取技术及并行采样系统，其特征在于，所述特征匹配与图像配准模块（300）包括特征匹配单元（301），所述特征匹配单元（301）生成匹配的特征描述符对应的特征点对的过程具体包括：
5.根据权利要求4所述的基于机器学习的关联成像信息提取技术及并行采样系统，其特征...
【专利技术属性】
技术研发人员：尚昱萱，张智晟，刘伟涛，严浩，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。