-
公开(公告)号：CN112084872B
公开(公告)日：2024-12-31
申请号：CN202010795787.0
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V20/13 , G06V20/70 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T5/00 , G06T5/20 , G06T5/30 , G06T5/50 , G06T7/11 , G06T7/13 , G06T7/187 , G06T5/60 , G06V10/44 , G06V10/764 , G06N3/09
Abstract: 一种融合语义分割与边缘的高分遥感目标精准检测方法，首先，依据目标地物轮廓绘制样本，制作边缘检测样本以及语义分割样本，分别送入边缘检测网络和语义分割网络进行训练至拟合状态，得到边缘检测模型和语义分割模型。将高分遥感影像输入训练完成的边缘检测模型以获取地物目标的边缘强度图，将高分遥感影像输入训练完成的语义分割模型以获取地物目标语义信息和位置信息。最后，融合获取的语义分割结果，即地物目标的准确语义类型和位置信息，对处理后的地物目标边缘强度图进行断线补充，对中断的边缘进行修补，最终获得准确的地物目标精确的边界，并按任务需求将目标边界矢量化为多边形要素。本发明实现高分遥感影像的地物目标的精准边缘提取。
-
公开(公告)号：CN113159154B
公开(公告)日：2024-03-29
申请号：CN202110399004.1
申请日：2021-04-12
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/08
Abstract: 一种面向农作物分类的时间序列特征重建及动态识别方法，包括：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。本发明通过以LSTM网络模型作为框架，将用于缺失值填充的回归器和用于作物分类的分类器进行协同优化，实现对时序遥感数据缺失部分的填充，并根据动态增加的遥感数据对农作物进行分类，实现分类结果精度的逐步提高。
-
公开(公告)号：CN115601638A
公开(公告)日：2023-01-13
申请号：CN202210852460.1
申请日：2022-07-19
Applicant: 浙江工业大学(CN)
Abstract: 一种融合空间关系的高分遥感目标检测方法，首先根据遥感目标提取任务设计深度卷积神经网络、制作样本并训练得到道路提取模型。然后制作目标检测网络模型训练样本与标签，训练目标检测网络模型，图像经由卷积得到特征图信息，在训练过程中，使用目标检测网络模型进行预测，并分别计算置信度损失、类别损失、框位置损失，协同道路信息判断预测位置距离道路的远近，输出损失值，进行回归计算，使网络学习到检测的目标靠近道路附近。后处理过程，使用最终训练好的目标检测模型检测目标数据集，预测输出经处理后得到遥感图像中所识别地物的外包框，取外包框的中心点信息转为向量信息，写入矢量文件。本发明实现高分遥感目标的精细提取。
-
公开(公告)号：CN111310666B
公开(公告)日：2022-03-18
申请号：CN202010099370.0
申请日：2020-02-18
Applicant: 浙江工业大学
Abstract: 一种基于纹理特征的高分辨率影像地物识别与分割方法，包括：步骤1，根据类别体系制作样本集；步骤2，构造深度学习网络模型，内含：步骤2.1，构造骨干网络、步骤2.2，构造纹理特征提取结构、步骤2.3，构造特征矩阵去噪结构、步骤2.4，构造上采样结构；步骤3，深度学习网络模型训练；步骤4，图像预测；步骤5，分割结果后处理。本发明使用深度学习网络框架，通过重新设定网络框架下采样倍数，并显式设定纹理信息提取结构，不仅减少了小目标的信息损失，也提高了纹理信息的表达能力；深度网络模型中添加特征矩阵去噪模块，减少方法在计算中带来的额外噪声，实现逐像素的纹理表达，进一步提高网络模型精度。
-
公开(公告)号：CN113159154A
公开(公告)日：2021-07-23
申请号：CN202110399004.1
申请日：2021-04-12
Applicant: 浙江工业大学
Abstract: 一种面向农作物分类的时间序列特征重建及动态识别方法，包括：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。本发明通过以LSTM网络模型作为框架，将用于缺失值填充的回归器和用于作物分类的分类器进行协同优化，实现对时序遥感数据缺失部分的填充，并根据动态增加的遥感数据对农作物进行分类，实现分类结果精度的逐步提高。
-
Patent Agency Ranking
公开(公告)号：CN112084872A
公开(公告)日：2020-12-15
申请号：CN202010795787.0
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06K9/00 , G06K9/34 , G06K9/62 , G06N3/04 , G06N3/08 , G06T5/00 , G06T5/20 , G06T5/30 , G06T5/50 , G06T7/11 , G06T7/13 , G06T7/187
Abstract: 一种融合语义分割与边缘的高分遥感目标精准检测方法，首先，依据目标地物轮廓绘制样本，制作边缘检测样本以及语义分割样本，分别送入边缘检测网络和语义分割网络进行训练至拟合状态，得到边缘检测模型和语义分割模型。将高分遥感影像输入训练完成的边缘检测模型以获取地物目标的边缘强度图，将高分遥感影像输入训练完成的语义分割模型以获取地物目标语义信息和位置信息。最后，融合获取的语义分割结果，即地物目标的准确语义类型和位置信息，对处理后的地物目标边缘强度图进行断线补充，对中断的边缘进行修补，最终获得准确的地物目标精确的边界，并按任务需求将目标边界矢量化为多边形要素。本发明实现高分遥感影像的地物目标的精准边缘提取。
-
公开(公告)号：CN110472525A
公开(公告)日：2019-11-19
申请号：CN201910680180.5
申请日：2019-07-26
Applicant: 浙江工业大学
Abstract: 一种时间序列遥感植被指数(Time-Series Vegetation Index，TSVI)的噪声检测方法。首先使用单位根检验将各个像素的观测值分为平稳序列或者非平稳序列；对于非平稳序列，利用一定的数学模型对离散的TSVI进行建模，再计算实际观测值与模型预测值之间的差异，记为偏差。由于偏差消除了季节性成分，从而将非平稳序列转换为平稳序列。对于平稳序列或者偏差数据采用观测值分布在均值附近一定范围内的假设，进行噪声检测；再对去除噪声保留之后的观测值，迭代进行拟合和噪声检测，直到达到最大迭代次数或在某次迭代不再有噪声检出。然后将时间序列转换回图像空间获得噪声掩膜并优化。本发明可以获得准确的噪声掩膜，并提高地表相关应用的可靠性。
-
公开(公告)号：CN109325451A
公开(公告)日：2019-02-12
申请号：CN201811118991.8
申请日：2018-09-25
Applicant: 苏州中科天启遥感科技有限公司 , 浙江工业大学 , 中国科学院遥感与数字地球研究所 , 中科坤元地理信息技术(苏州)有限公司
Abstract: 本发明公布了一种基于深度学习的高空间分辨率耕地地块全自动提取技术，本发明以传统的Canny边缘算子提取的边缘为指导，以深度学习理论为基础，通过大量的边缘样本标签数据训练HED深度学习模型，改进模型的网络层数、池化大小等参数；进而以新的网络模型对研究区影像进行耕地地块提取，最后以Canny边缘算子提取的边界对模型提取的边界进行细化和剔除处理，实现耕地地块骨架边缘的提取。相比于传统的人工提取地块，本发明可有效提高地块提取的生产效率，另外可以保证地块边缘精度的统一。
-
公开(公告)号：CN117636160A
公开(公告)日：2024-03-01
申请号：CN202311528976.1
申请日：2023-11-15
Applicant: 浙江工业大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 一种基于半监督学习的高分遥感耕地地块自动更新方法，包括：准备语义分割阶段的数据和模型；制作语义分割样本A；使用模型训练样本，得到耕地语义分割信息提取模型，再处理T2时相灰度图；添加无监督样本迭代并更新样本；不断的调整样本迭代训练获取最终语义分割结果；确定用于耕地变化检测阶段的目标区域和无标记样本B；挑选变化检测模型并训练和获取耕地变化结果；增加监督信息样本进行迭代并更新样本；根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内；获取变化检测结果的矢量；更新T2时相矢量文件。本发明提升耕地的提取效率和准确率，解决了耕地地块更新较难的问题。
-
公开(公告)号：CN114581729A
公开(公告)日：2022-06-03
申请号：CN202210170422.8
申请日：2022-02-24
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/82 , G06N3/08 , G06V20/10
Abstract: 一种基于弱监督深度学习的高分不透水面提取方法，首先根据提取任务确定遥感地物目标并制作少量精确高分辨率遥感图像样本标签和大量粗粒度中分辨率遥感图像样本标签。然后使用少量精确样本标签训练小样本集不透水面模型。再使用小样本集不透水面模型预测大量高分无标签影像，得到大量高分遥感影像不透水面伪标签，从中挑选大量更准确高分遥感影像样本标签结合少量精确样本标签作为新的训练集，多次循环训练生成新的不透水面模型，直至模型精度不再提升，用最终模型预测生成最终样本标签，再结合大量中分遥感不透水面弱标签数据训练生成大样本集不透水面模型，最后用大样本集不透水面模型预测待生产的高分遥感影像，获取最终的不透水面提取结果。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.029 seconds)
