-
公开(公告)号：CN111640159A
公开(公告)日：2020-09-08
申请号：CN202010390580.5
申请日：2020-05-11
Applicant: 武汉大学 , 广东南方数码科技股份有限公司
Abstract: 本发明公开了一种基于孪生卷积神经网络的遥感影像变化检测方法，涉及遥感领域，主要解决目前常规的变化检测方法泛化性较差的问题；该方法包括以下步骤：获取多时相遥感影像数据，得到掩膜图像，建立遥感影像变化检测数据集，构建孪生卷积神经网络模型，利用数据集训练孪生卷积神经网络，获得训练模型，利用训练模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，从而将初步变化预测结果划分为变化区域类别和非变化区域类别，得到变化检测结果。本发明的方法泛化性能更好，同时满足端到端处理，便于工程应用。
-
Patent Agency Ranking
公开(公告)号：CN111640159B
公开(公告)日：2022-04-01
申请号：CN202010390580.5
申请日：2020-05-11
Applicant: 武汉大学 , 广东南方数码科技股份有限公司
Abstract: 本发明公开了一种基于孪生卷积神经网络的遥感影像变化检测方法，涉及遥感领域，主要解决目前常规的变化检测方法泛化性较差的问题；该方法包括以下步骤：获取多时相遥感影像数据，得到掩膜图像，建立遥感影像变化检测数据集，构建孪生卷积神经网络模型，利用数据集训练孪生卷积神经网络，获得训练模型，利用训练模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，从而将初步变化预测结果划分为变化区域类别和非变化区域类别，得到变化检测结果。本发明的方法泛化性能更好，同时满足端到端处理，便于工程应用。
-
公开(公告)号：CN112150207B
公开(公告)日：2025-01-14
申请号：CN202011061820.3
申请日：2020-09-30
Applicant: 武汉大学
IPC: G06Q30/0202 , G06Q30/0204 , G06Q50/43 , G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 为了更合理的分配网约车资源，降低网约车空驶率，提高网约车运营效率，本发明提供了基于时空上下文注意力网络的网约车订单需求预测方法，该方法中构建的网络模型包括堆叠的时空块和一个输出块，每一个时空块包括TRELLIS‑GRU和GAT，TRELLIS‑GRU为门控循环网格网络，GAT为图注意力网络，TRELLIS‑GRU层用于融合时空特征，GAT层用于挖掘不同的时间片段中的空间依赖。本发明充分考虑了城市区域自身的空间位置、不同区域间的相互关系以及多个时间段历史订单的时间依赖对网约车订单需求的影响，从而提高城市区域网约车订单需求的准确性。
-
公开(公告)号：CN114359902B
公开(公告)日：2024-04-26
申请号：CN202111463598.4
申请日：2021-12-03
Applicant: 武汉大学
IPC: G06V20/70 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于多尺度特征融合的三维点云语义分割方法。针对现有方法中单一编码器存在的感受野受限、难以适应不同类别预测的问题，本发明在网络编码器部分引入多支具有不同感受野的子编码器用于编码不同尺度的特征，为了在保证子编码器感受野大小的同时减少计算量和显存占用，本发明使用空洞卷积提取点云特征。相比于已有的基于深度学习框架的三维点云语义分割方法，本发明方法更好的保留了属于点云集合的不同尺度的高维特征，因此可以适应不同尺度的地物的预测，实现比已有方法更高的语义分割精度。
-
公开(公告)号：CN114359902A
公开(公告)日：2022-04-15
申请号：CN202111463598.4
申请日：2021-12-03
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多尺度特征融合的三维点云语义分割方法。针对现有方法中单一编码器存在的感受野受限、难以适应不同类别预测的问题，本发明在网络编码器部分引入多支具有不同感受野的子编码器用于编码不同尺度的特征，为了在保证子编码器感受野大小的同时减少计算量和显存占用，本发明使用空洞卷积提取点云特征。相比于已有的基于深度学习框架的三维点云语义分割方法，本发明方法更好的保留了属于点云集合的不同尺度的高维特征，因此可以适应不同尺度的地物的预测，实现比已有方法更高的语义分割精度。
-
公开(公告)号：CN112150207A
公开(公告)日：2020-12-29
申请号：CN202011061820.3
申请日：2020-09-30
Applicant: 武汉大学
Abstract: 为了更合理的分配网约车资源，降低网约车空驶率，提高网约车运营效率，本发明提供了基于时空上下文注意力网络的网约车订单需求预测方法，该方法中构建的网络模型包括堆叠的时空块和一个输出块，每一个时空块包括TRELLIS‑GRU和GAT，TRELLIS‑GRU为门控循环网格网络，GAT为图注意力网络，TRELLIS‑GRU层用于融合时空特征，GAT层用于挖掘不同的时间片段中的空间依赖。本发明充分考虑了城市区域自身的空间位置、不同区域间的相互关系以及多个时间段历史订单的时间依赖对网约车订单需求的影响，从而提高城市区域网约车订单需求的准确性。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
