-
公开(公告)号：CN111105451B
公开(公告)日：2022-08-05
申请号：CN201911053032.7
申请日：2019-10-31
Applicant: 武汉大学
Abstract: 本发明公开了一种克服遮挡效应的驾驶场景双目深度估计方法。本方法构建了一种端到端的自监督深度神经网络模型，输入驾驶场景的左右视图的图像，输出左右视图对应的视差图。本方法利用深度神经网络模型输入和输出之间的几何约束关系训练模型，无需获取带有标注信息的数据样本，仅需使用双目摄像系统获取左右视图的图像对，极大地简化了工作流程，节省了经济成本，可以使模型训练更多类型场景的影像。本发明设计的双目估计方法能有效克服场景中重复图案纹理、前后物体遮挡等问题，可以获取较高精度的深度图像。
-
公开(公告)号：CN112488025B
公开(公告)日：2022-06-14
申请号：CN202011451412.9
申请日：2020-12-10
Applicant: 武汉大学 , 广东南方数码科技股份有限公司
IPC: G06V20/10 , G06V10/26 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/44 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多模态特征融合的双时相遥感影像语义变化检测方法，包括以下几个步骤：步骤A：对多时相遥感影像数据集进行数据增强的预处理；步骤B：构建基于多模态特征融合的卷积神经网络模型，利用数据集训练卷积神经网络，获得训练模型；步骤C：利用训练模型对数据集进行数据清理；步骤D：利用清理后的数据重新训练模型，并对测试数据进行测试得到预测结果；步骤E：变化检测预测结果后处理。本发明提供的基于多模态特征融合的双时相遥感影像语义变化检测方法，可以在检测出变化区域的同时检测出区域变化前后的类别，应用范围更广泛，同时满足端到端处理，不需要人工进行其他处理，便于工程应用。
-
公开(公告)号：CN113378727A
公开(公告)日：2021-09-10
申请号：CN202110665192.8
申请日：2021-06-16
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特征偏差对齐的遥感影像二值变化检测方法，包括：步骤1：构造双时相遥感影像二值变化检测数据集并进行预处理；步骤2：构建基于特征偏差对齐的二值变化检测模型，并给定双时相遥感影像获得变化区域预测结果及变化区域辅助预测图；步骤3：使用真实变化区域标签结果与预测变化区域结果及变化区域辅助预测图分别计算主损失函数和辅助损失函数，根据损失对梯度进行反向传播更新模型，直至损失值收敛时终止训练，保存模型结构及模型权重；步骤4：使用步骤3训练好的模型权重对测试集数据进行预测。本发明可以有效的解决当双时相遥感影像由于多视角拍摄、高层建筑物过多或地形起伏较大等因素引起的变化区域误检现象。
-
公开(公告)号：CN112488025A
公开(公告)日：2021-03-12
申请号：CN202011451412.9
申请日：2020-12-10
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多模态特征融合的双时相遥感影像语义变化检测方法，包括以下几个步骤：步骤A：对多时相遥感影像数据集进行数据增强的预处理；步骤B：构建基于多模态特征融合的卷积神经网络模型，利用数据集训练卷积神经网络，获得训练模型；步骤C：利用训练模型对数据集进行数据清理；步骤D：利用清理后的数据重新训练模型，并对测试数据进行测试得到预测结果；步骤E：变化检测预测结果后处理。本发明提供的基于多模态特征融合的双时相遥感影像语义变化检测方法，可以在检测出变化区域的同时检测出区域变化前后的类别，应用范围更广泛，同时满足端到端处理，不需要人工进行其他处理，便于工程应用。
-
公开(公告)号：CN111105451A
公开(公告)日：2020-05-05
申请号：CN201911053032.7
申请日：2019-10-31
Applicant: 武汉大学
Abstract: 本发明公开了一种克服遮挡效应的驾驶场景双目深度估计方法。本方法构建了一种端到端的自监督深度神经网络模型，输入驾驶场景的左右视图的图像，输出左右视图对应的视差图。本方法利用深度神经网络模型输入和输出之间的几何约束关系训练模型，无需获取带有标注信息的数据样本，仅需使用双目摄像系统获取左右视图的图像对，极大地简化了工作流程，节省了经济成本，可以使模型训练更多类型场景的影像。本发明设计的双目估计方法能有效克服场景中重复图案纹理、前后物体遮挡等问题，可以获取较高精度的深度图像。
-
Patent Agency Ranking
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：CN113378727B
公开(公告)日：2022-04-29
申请号：CN202110665192.8
申请日：2021-06-16
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特征偏差对齐的遥感影像二值变化检测方法，包括：步骤1：构造双时相遥感影像二值变化检测数据集并进行预处理；步骤2：构建基于特征偏差对齐的二值变化检测模型，并给定双时相遥感影像获得变化区域预测结果及变化区域辅助预测图；步骤3：使用真实变化区域标签结果与预测变化区域结果及变化区域辅助预测图分别计算主损失函数和辅助损失函数，根据损失对梯度进行反向传播更新模型，直至损失值收敛时终止训练，保存模型结构及模型权重；步骤4：使用步骤3训练好的模型权重对测试集数据进行预测。本发明可以有效的解决当双时相遥感影像由于多视角拍摄、高层建筑物过多或地形起伏较大等因素引起的变化区域误检现象。
-
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。
-
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。
-
公开(公告)号：CN112016696B
公开(公告)日：2022-10-04
申请号：CN202010817931.6
申请日：2020-08-14
Applicant: 武汉大学
Abstract: 本发明提供一种融合卫星与地基观测的PM1浓度反演方法及系统，进行数据采集与匹配，包括采集地基PM1数据、卫星AOD数据和相关气象地理参数，以卫星AOD数据空间分辨率为参照，对相关气象地理参数进行重采样；然后以PM1观测站为中心，采用预设空间半径和时间半径的时空窗口，计算时空窗口内的各输入特征的均值，并与相应观测站点实测的PM1浓度值相匹配，形成训练样本集；初始RF模型构建，根据模型的预测残差变化优化设定决策树的数量和构建二叉树时使用的变量个数；初始geo‑RF模型构建，包括定义空间邻近观测S‑PM1、前向时间邻近观测T‑PM1以及邻近空间距离约束，将时空邻近观测也作为解释变量输入至构建的初始RF模型中，得到geo‑RF模型；进行geo‑RF模型训练与PM1浓度估计。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.031 seconds)
