-
公开(公告)号：CN112712535A
公开(公告)日：2021-04-27
申请号：CN202110061924.2
申请日：2021-01-18
Applicant: 长安大学
Abstract: 本发明公开了一种基于模拟困难样本的Mask‑RCNN滑坡分割方法，包括步骤：获取研究区域的包含滑坡的遥感影像，对其进行预处理得到训练样本集；构建Mask‑RCNN模型；采用训练样本集对模型进行初步训练，更新模型中的权重；选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，再对初步训练后的模型进行训练；获取目标区域的遥感影像作为待测样本，预处理后输入滑坡分割模型，完成滑坡的分割识别。本发明不仅对道路、裸地等易混淆地物有着良好的识别能力，而且在实际研究区域滑坡样本难以满足模型训练要求的情况下，仍能取得较好的检测效果。
-
公开(公告)号：CN111368776B
公开(公告)日：2024-03-22
申请号：CN202010173481.1
申请日：2020-03-13
Applicant: 长安大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于深度集成学习的高分辨率遥感图像分类方法，其思路为：首先使用像元亮度值作为分类特征进行全连接网络分类实验；其次使用面向对象分割，再以重心为中心提取卷积块进行卷积神经网络分类；再将原始图像全部裁剪为图像块，使用U‑Net完全卷积网络进行one vs all多元分类；最后，在前三个深度网络基分类器的分类结果上训练一个全连接网络进行概率组合，实现了较好的分类性能。本发明通过使用深度集成学习方法，能够有效结合光谱和空间等信息改善分类准确率，且综合基分类器的优势，在高分辨率遥感图像分类的单个类别和总体分类精度上都能得到比单一分类器更好的分类精度。
-
公开(公告)号：CN112966623B
公开(公告)日：2024-03-19
申请号：CN202110279067.3
申请日：2021-03-16
Applicant: 长安大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明属于人工智能和机器学习技术领域，公开了一种多层宽度神经网络及其训练方法和应用，可用高光谱遥感影像和普通图像分类任务。其每一层由滑动窗口的变换核进行非线性变换，向宽方向扩展以充分学习空间和频谱特征，并且引入了排序和下采样操作以减少该层的变换内核层的输出数量，每一层称为宽度滑动窗口和下采样层，即WSWS层，将多个WSWS层级联可以更大视野的更高级别的空间和光谱特征。该网络只需学习全连接层的权值，从而可以轻松的进行训练。
-
公开(公告)号：CN112712535B
公开(公告)日：2024-03-22
申请号：CN202110061924.2
申请日：2021-01-18
Applicant: 长安大学
IPC: G06T7/11 , G06T7/32 , G06V10/774 , G06V10/25 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于模拟困难样本的Mask‑RCNN滑坡分割方法，包括步骤：获取研究区域的包含滑坡的遥感影像，对其进行预处理得到训练样本集；构建Mask‑RCNN模型；采用训练样本集对模型进行初步训练，更新模型中的权重；选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，再对初步训练后的模型进行训练；获取目标区域的遥感影像作为待测样本，预处理后输入滑坡分割模型，完成滑坡的分割识别。本发明不仅对道路、裸地等易混淆地物有着良好的识别能力，而且在实际研究区域滑坡样本难以满足模型训练要求的情况下，仍能取得较好的检测效果。
-
公开(公告)号：CN115546663A
公开(公告)日：2022-12-30
申请号：CN202211148505.3
申请日：2022-09-21
Applicant: 长安大学
Abstract: 本发明涉及智能检测领域，具体涉及一种无人机轻量化地质灾害检测方法。本发明方法采用轻量化的MobileNetV3识别网络，以适应无人机的嵌入设备性能不高的问题，通过迁移学习和深度可分离卷积核技术，搭建全局平均池化以及密集连接层来对特征进行提取并分类，能精确检测出受困人员、地质灾害、路障等目标信息，实现动态预测的效果。
-
Patent Agency Ranking
公开(公告)号：CN114998730A
公开(公告)日：2022-09-02
申请号：CN202210589876.9
申请日：2022-05-27
Applicant: 长安大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06F17/14
Abstract: 本发明涉及人工智能和遥感领域，具体涉及基于宽度和深度傅里叶网络的高光谱遥感影像分类方法。本发明的宽度深层傅里叶神经网络，在宽度方向上使用傅里叶变换提取高光谱影像的空间和光谱信息，在深度方向上逐层添加宽傅里叶层，提取图像的分层特征，提高了学习效率和学习精度；将影像转换到频率域上对其进行特征提取，使用快速傅里叶变换来加速计算过程；并且由于只使用了有效的傅立叶变换输出分量，所以输出的数据量大大减少，因此本发明的宽度和深度傅里叶网络只需要很小的计算量；在宽度和深度傅里叶神经网络中添加了一个全连接层用于分类，通过使用最小二乘法学习全连接层中的权重，使得网络训练过程更加简化。
-
公开(公告)号：CN112966623A
公开(公告)日：2021-06-15
申请号：CN202110279067.3
申请日：2021-03-16
Applicant: 长安大学
Abstract: 本发明属于人工智能和机器学习技术领域，公开了一种多层宽度神经网络及其训练方法和应用，可用高光谱遥感影像和普通图像分类任务。其每一层由滑动窗口的变换核进行非线性变换，向宽方向扩展以充分学习空间和频谱特征，并且引入了排序和下采样操作以减少该层的变换内核层的输出数量，每一层称为宽度滑动窗口和下采样层，即WSWS层，将多个WSWS层级联可以更大视野的更高级别的空间和光谱特征。该网络只需学习全连接层的权值，从而可以轻松的进行训练。
-
公开(公告)号：CN112966761B
公开(公告)日：2024-03-19
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
公开(公告)号：CN115601544A
公开(公告)日：2023-01-13
申请号：CN202211258519.0
申请日：2022-10-14
Applicant: 长安大学(CN)
IPC: G06V10/26 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明涉及图像检测与分割领域，具体涉及一种高分辨率图像滑坡检测与分割方法。本发明方法建立基于光学图像的滑坡检测分割网络模型，并利用迁移学习方法使模型对光学图像较少的老旧滑坡也可以进行检测和分割，从而快速地完成对滑坡的检测和分割，确定滑坡的新旧类型及具体分布，提高了检测效率，降低了成本。
-
公开(公告)号：CN112966761A
公开(公告)日：2021-06-15
申请号：CN202110278923.3
申请日：2021-03-16
Applicant: 长安大学
Abstract: 本发明属于人工智能技术领域，公开了一种可扩展的自适应宽度神经网络学习方法，可用于图像分类任务。它由多个多通道宽RBF神经网络(MWRBF)组成，每个MWRBF神经网络可以把重点放在不同的数据上，并且使用高斯核执行非线性变换。可扩展的自适应宽度神经网络中的MWRBF网络数量由学习任务自身的规模和难度决定。该网络采用了可分离的迭代最小二乘训练方法，从而可以高效地处理高维和大量样本的数据；本发明的可扩展的自适应宽度神经网络具有可以进行并行测试的特点。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
