本发明提供了一种统一框架增量学习遥感场景分类方法及系统，属于图像处理技术领域，包括统一数据库构建、统一骨干网络、分类头网络模型构建、统一超参数构建、线性规划增量学习有监督训练范式网络训练、分类预测结果输出和统一模型验证；本发明能够构建统一的遥感图像分类模型框架范式，框架支持多种模型嵌入，使得模型精确、通用且易于验证，而且支持各类模态数据作为模型输入，显著增强了框架的通用性；同时设计出一种基于线性规划增量学习的有监督学习训练范式，使得模型能够在大规模异源数据集上进行连续的全监督训练，增强了模型的泛化性。

 一种针对红外光谱图像的空谱域联合压缩感知方法，属于高分辨光谱成像和压缩成像领域。本发明实现方法为:生成空谱域联合压缩成像编码矩阵，将此矩阵作为编码模版加载到DMD上，使其对目标光信息进行空间调制，使用衍射光栅对空间调制后的光谱图像进行光谱调制，使用低分辨率红外相机对调制后的图像进行空间下采样和光谱下采样，获得低分辨率二维混叠图像。通过空域压缩成像与谱域压缩成像突破红外相机空间分辨率和光谱分辨率的限制，采集的低空间低光谱分辨率红外图像使用重建算法即能够恢复出原高空间高光谱分辨率红外图像。本发明利用光谱图像的空间、光谱相关性，通过压缩成像方法在数据采集前对数据压缩，显著减少采集、存储、传输的数据量。

 本发明公开了一种基于频率相位引导的复数模型临床图像语义分割方法，包括:对原始临床图像进行预处理；数据输入Gabor小波变换模块转换为复值域图像；将复值域图像输入编码网络，通过复值的混合注意模块选择性地调整相位分量的感知和对不同频率成分的偏好，得到复值域特征；将复值域特征输入频率自适应分离模块，将复值域特征分解为高频特征和低频特征，且将低频特征与高频特征合并通过频率通道注意力模块筛选出重要特征；将重要特征输入下一级编码器，并将高频特征与解码器各层次特征合并，得到临床图像的分割结果。本发明有效地利用了相位信息和频率信息，可以更好地将临床图像中的目标区域与相似背景区分开来，提升分割效果。

 本发明属于计算机视觉领域，具体涉及一种基于长短曝光融合的无人机航拍夜间图像增强方法。包括以下步骤:首先，构建一个低照度合成数据集；其次，对低照度合成数据集中的长曝光和短曝光图像进行数据预处理，得到含模糊和噪声的长短曝光图像；然后，构建了一个轻量级去噪去模糊网络，一阶段包含多尺度输入模块、双核特征融合模块和特征重建模块，二阶段采用通道注意力机制模块进行微调；设计多尺度感知损失函数，引导网络训练；最后，使用训练好的最终模型增强待测试的无人机航拍夜间图像。本发明利用连续短曝光和长曝光的互补信息，有效地提高了低照度无人机航拍图像的视觉效果和保真度。

 本发明属于温度预测技术领域，具体公开了一种基于深度可逆网络的时空联合温度预测方法。该方法使用的预测模型包括像素混洗层、正向编码器、反向解码器以及用于桥接正向编码器和反向解码器的长短期集成预测模块；输入图像经过一个像素混洗层进行形状变换，正向编码器用于提取深层特征，长短期集成预测模块对深层特征进一步提取时空特征，反向解码器用于时空特征的解码，解码特征经过另一个像素混洗层将分辨率还原至与输入图像相同；正向编码器和反向解码器的结构相同且参数共享，均包括多个多层级可逆仿射耦合结构；长短期集成预测模块多个长短期集成预测单元，当前长短期集成预测单元的输出特征与前一长短期集成预测单元的输入特征相加后作为下一个长短期集成预测单元的输入特征。本发明能够更加灵活地进行特征提取，实现信息丢失的最小化，并且充分保留了时空信息，提高了预测精度。

 本发明公开了全局与局部多尺度融合的红外引导低光图像增强方法，属于计算机视觉技术领域，具体包括如下步骤:构建图像增强网络；构建数据集，对图像增强网络进行训练；获取同一场景下的低光照图像和近红外图像，输入训练后的图像增强网络，得到增强图像。本发明全局与局部多尺度融合的红外引导低光图像增强方法，解决了现有技术中存在的计算复杂且效果单一，以及未考虑光照提升与难以实现去噪的问题。

 本发明涉及一种基于深度学习的增强仿真图像生成方法，属于计算机视觉和图形学领域，解决了现有技术中的图像翻译方法因需要采取配对数据集进行训练，不可避免地出现图像转换错误与进行监督训练时语义标签获取困难等问题。本发明的方法采用基于生成对抗网络的无监督图像翻译方法，使用非配对数据集进行训练，并通过对比学习以及图像的HOG特征对图像生成过程进行约束，实现了仿真图像真实化的目标。

 本发明公开了一种基于多视角地基云图的辐照度预测方法及系统，其方法包括:获取多视角地基云图；提取所述多视角地基云图的云图参数，识别所述多视角地基云图的特征点并进行匹配，利用匹配好的多视角地基云图的特征点和基础矩阵计算云底高度；将所述云图参数和云底高度输入预先构建的辐照度预测模型，输出辐照度的预测结果；其中，所述辐照度预测模型的构建包括：将多个XGB模型作为基学习器、LGB模型作为元学习器，采用模型堆叠方法，构建辐照度预测模型。

 本发明公开了一种基于高时相图像的目标增强方法及装置。方法包括:对输入的多幅原始序贯图像进行滤波处理，得到滤波后的序贯图像；所述原始序贯图像取自高时相设备获取的高时图像；对滤波后的序贯图像进行标准化，得到标准化后的序贯图像；根据预设的多核组合核函数对标准化后的序贯图像进行滑动映射，得到序贯映射图像；对序贯映射图像进行标准化，得到标准化后的序贯映射图像；逐像元取标准化后的序贯映射图像中的最大值，得到增强后的图像。本申请，能够对图像中的目标进行有效增强，提升图像的辨识能力。

 本发明公开一种基于适应性双向传播原型学习的全景活动识别方法，通过自适应聚焦检测器和双向传播原型学习器，实现了对全景场景中多粒度活动的联合识别。在自适应聚焦检测器中，通过全景适应聚焦器以粗细结合的方式有效检测个体，应对拥挤全景场景中个体尺寸和遮挡的变化。在双向传播原型学习器中，通过双向传播原型器促进不同粒度间的闭环交互和信息一致性，减少因定位不准确导致的信息损失。该方法包括检测分支和识别分支，检测分支输出原始检测框并输入全景适应聚焦器得到最终的尺寸自适应检测结果，识别分支对视频进行编码并通过双向传播原型器获得不同层次的特征表示用于识别。整体框架通过检测损失和多粒度识别损失进行联合优化。