-
公开(公告)号：CN114066829A
公开(公告)日：2022-02-18
申请号：CN202111295237.3
申请日：2021-11-03
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/13 , G06T7/33 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 一种基于语义边缘的后分类建筑物变化检测方法，通过基于卷积神经网络的语义边缘检测模型对建筑物样本进行学习，通过模型预测获取两期相对应影像的建筑物边缘信息，后将这两幅边缘图像进行合成，获得一期包含所有建筑物边缘信息的二值图，这样做即通过两期建筑物边缘互相补充使建筑物边缘轮廓的细节得以更多的保留，也忽略了影像来源的区别，从而实现了对不同分辨率、不同来源下的遥感影像进行建筑物的变化检测。目前有关变化检测的算法，都存在着对配准要求高，只在特定的数据上可以使用，且准确率不高的问题，本发明通过图像配准算法在一定程度上降低了配准要求，且由于后分类的方式，使其对数据的适应性更强。
-
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。
-
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：CN112084871B
公开(公告)日：2024-02-13
申请号：CN202010795781.3
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06V20/13 , G06V10/774 , G06N3/0895 , G06T7/11 , G06T7/13
Abstract: 一种基于弱监督学习的高分遥感目标边界提取方法，首先根据提取任务确定遥感地物目标并制作相应的少量精确样本标签和大量不确切样本标签。然后使用少量精确样本标签训练小样本集边缘模型。再使用小样本集边缘模型去预测大量不确切样本集，得到大量的地物目标边缘强度图，对这批质量参差不一的强度图使用骨架提取算法获得骨架图，再采用边界完整程度算法计算每个地物目标的边界完整情况，并按给定阈值挑选整体边界完整度较高的骨架图作为大量较准确样本集。接着使用大量较准确样本集训练大样本集边缘模型。最后用大样本集边缘模型预测待生产的高分遥感影像，并用骨架提取，获得最终的目标边界提取结果。本发明的模型精度超过少量样本的模型精度。
-
公开(公告)号：CN112084871A
公开(公告)日：2020-12-15
申请号：CN202010795781.3
申请日：2020-08-10
Applicant: 浙江工业大学
Abstract: 一种基于弱监督学习的高分遥感目标边界提取方法，首先根据提取任务确定遥感地物目标并制作相应的少量精确样本标签和大量不确切样本标签。然后使用少量精确样本标签训练小样本集边缘模型。再使用小样本集边缘模型去预测大量不确切样本集，得到大量的地物目标边缘强度图，对这批质量参差不一的强度图使用骨架提取算法获得骨架图，再采用边界完整程度算法计算每个地物目标的边界完整情况，并按给定阈值挑选整体边界完整度较高的骨架图作为大量较准确样本集。接着使用大量较准确样本集训练大样本集边缘模型。最后用大样本集边缘模型预测待生产的高分遥感影像，并用骨架提取，获得最终的目标边界提取结果。本发明的模型精度超过少量样本的模型精度。
-
公开(公告)号：CN114066829B
公开(公告)日：2025-05-09
申请号：CN202111295237.3
申请日：2021-11-03
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/13 , G06T7/33 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 一种基于语义边缘的后分类建筑物变化检测方法，通过基于卷积神经网络的语义边缘检测模型对建筑物样本进行学习，通过模型预测获取两期相对应影像的建筑物边缘信息，后将这两幅边缘图像进行合成，获得一期包含所有建筑物边缘信息的二值图，这样做即通过两期建筑物边缘互相补充使建筑物边缘轮廓的细节得以更多的保留，也忽略了影像来源的区别，从而实现了对不同分辨率、不同来源下的遥感影像进行建筑物的变化检测。目前有关变化检测的算法，都存在着对配准要求高，只在特定的数据上可以使用，且准确率不高的问题，本发明通过图像配准算法在一定程度上降低了配准要求，且由于后分类的方式，使其对数据的适应性更强。
-
公开(公告)号：CN114219816A
公开(公告)日：2022-03-22
申请号：CN202111382455.0
申请日：2021-11-22
Applicant: 浙江工业大学
Abstract: 一种基于迁移学习的高分遥感影像语义边缘提取方法，包括：步骤1：准备阶段，分为确定任务目标、挑选网络结构和准备预训练模型；步骤2：准备影像集和样本；步骤3：冻结选取的网络结构中的部分编码器参数，设定超参数后用样本集C微调网络结构中的其他参数，得到新的网络模型b；步骤4：制作伪样本集；步骤5：将样本集C和伪样本集D合并为样本集E，冻结部分编码器的参数，设定超参数后微调网络模型中其他部分，得到最终的语义边缘提取模型。本发明以小数量的样本便能得到精度和泛化性足够满意的语义边缘提取网络模型。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
