-
公开(公告)号：CN107895169A
公开(公告)日：2018-04-10
申请号：CN201711007350.0
申请日：2017-10-25
Applicant: 南京邮电大学
CPC classification number: G06K9/6267 , G06F17/30241
Abstract: 本发明公开了一种基于ENVISAT ASAR双极化数据提取湿地信息的方法，该方法包括:1)对ENVISAT ASAR双极化数据进行预处理，包括辐射定标、滤波、相互配准、正射校正；2)基于预处理后的ASAR双极化数据挖掘极化信息，构造ASAR多波段后向散射系数集；3)对构造的多波段后向散射系数集分析其对应地物的后向散射系数的变化；4)基于提取的不同地物各个波段后向散射系数的差异对地物进行机器学习与分类，并基于此分类结果提取湿地信息。本发明综合利用ASAR双极化数据所包含的双极化信息及其所隐含信息对地物的反映，提取区域湿地信息(包括面积与空间位置分布等)，可以为湿地信息提取提供不受云雾影响的更为有效的技术手段。
-
Patent Agency Ranking
公开(公告)号：CN117876793A
公开(公告)日：2024-04-12
申请号：CN202410226281.6
申请日：2024-02-29
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V20/10 , G06V10/58 , G06V10/77 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0455 , G06N3/047
Abstract: 本发明公开了一种高光谱影像树种分类方法及装置，其方法包括：获取源域和目标域的高光谱图像，并对高光谱图像进行预处理；获取预处理后的高光谱图像中已知的分类标签类别；若类别相同，则将源域的高光谱图像输入基于域泛化的树种分类模型进行训练；将目标域的高光谱图像输入训练好的基于域泛化的树种分类模型获取未知的分类标签类别；若类别不同，则将源域和目标域的高光谱图像输入基于迁移学习的树种分类模型进行训练；将目标域的高光谱图像输入训练好的基于迁移学习的树种分类模型获取未知的分类标签类别；本发明将分类策略中的迁移学习策略和域泛化策略相结合的方案，达到获得各种树种类型分布，实现树种分类的技术效果。
-
公开(公告)号：CN110992351B
公开(公告)日：2022-08-16
申请号：CN201911270414.5
申请日：2019-12-12
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于多输入卷积神经网络精神分裂症sMRI图像分类方法，包括：采集精神分裂症与正常人的结构磁共振成像影像数据；对sMRI图像数据进行预处理分别得到未做平滑处理和空间平滑后的灰质密度图像，并构建原始数据集；将原始数据集送入多输入卷积神经网络模型中训练，最后将sMRI影像数据输入到该多输入卷积神经网络模型中，最终输出分类结果。本发明将未做空间平滑处理和空间平滑后影像输入至多输入卷积神经网络中，可以弥补空间平滑中丢失的sMRI影像中的高频信息，同时由于未做平滑处理的图像中包含的噪声可增强卷积神经网络的泛化能力，能有效的解决精神分裂症sMRI图像分类中准确度不高的问题。
-
公开(公告)号：CN110992351A
公开(公告)日：2020-04-10
申请号：CN201911270414.5
申请日：2019-12-12
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于多输入卷积神经网络精神分裂症sMRI图像分类方法，包括：采集精神分裂症与正常人的结构磁共振成像影像数据；对sMRI图像数据进行预处理分别得到未做平滑处理和空间平滑后的灰质密度图像，并构建原始数据集；将原始数据集送入多输入卷积神经网络模型中训练，最后将sMRI影像数据输入到该多输入卷积神经网络模型中，最终输出分类结果。本发明将未做空间平滑处理和空间平滑后影像输入至多输入卷积神经网络中，可以弥补空间平滑中丢失的sMRI影像中的高频信息，同时由于未做平滑处理的图像中包含的噪声可增强卷积神经网络的泛化能力，能有效的解决精神分裂症sMRI图像分类中准确度不高的问题。
-
公开(公告)号：CN110991625A
公开(公告)日：2020-04-10
申请号：CN202010133968.7
申请日：2020-03-02
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于循环神经网络的地表异常现象遥感监测方法、装置，所述方法包括：将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列；依次向基于单层循环神经网络的解码器输入上一时刻的数值，使得依次得到对应于训练后段序列中的时刻的预测值；使用编码器-解码器模型对未来时刻的观测地点进行预测。采用上述方案，可以挖掘历史序列整体上的变化规律并预测未来多个时刻的观测值，实现近实时异常监测、实时监控监管，同时所需的数据预处理及人工设定的经验参数较少，对实施者的经验和专业背景要求不高，适用于各种地理区域和土地覆被类型，方法可行性、稳健性和预测结果准确度较高。
-
公开(公告)号：CN108830799A
公开(公告)日：2018-11-16
申请号：CN201810413022.9
申请日：2018-05-03
Applicant: 南京邮电大学
Abstract: 本发明涉及一种基于相对极化全变差的极化SAR影像相干斑抑制方法，通过对极化SAR影像的极化相干矩阵分离为主对角线元素和非对角线元素，应用窗口卷积局部全变差和全局全变差更新主对角线元素，由原非对角线元素和更新后的主对角线元素重构极化相干矩阵，利用相邻像元上的极化相干矩阵比值和更新前后的极化相干矩阵距离，获得须保留极化特征的像元位置。本发明仅对不属于上述像元位置的极化相干矩阵的主对角线元素进行相干斑抑制，解决了现有极化SAR相干斑抑制中不能很好地将极化SAR影像的结构信息和散射特性两者相结合进行相干斑抑制的问题，使得极化SAR的相干斑抑制在结构信息和散射特性两方面都得到保持。
-
-
-
-
-
Search Results
16
records
(took 0.025 seconds)
