-
公开(公告)号：CN120032267A
公开(公告)日：2025-05-23
申请号：CN202510113827.1
申请日：2025-01-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/776 , G06V10/80 , G06V10/26 , G06V10/82 , G06N3/0464
Abstract: 本发明属于遥感信息提取技术领域，具体涉及一种基于高分辨率遥感影像的耕地信息高精度提取方法。本发明基于特征密集叠置融合和信息同质强化，可提高遥感耕地提取精度。首先收集已有的遥感耕地提取样本构建样本库，并在此基础上，通过应用特征密集叠加融合模块，快速实现不同尺度信息的提取和密集融合，提升模型对全局一致性和局部特征的表达。并利用信息同质强化模块将底层和高层之间的信息交互，提升不同分支的特征信息的融合，实现耕地内部特征的一致化表达和边缘特征的差异性强化，提高遥感耕地提取的精度。在应用上，取得具有实用价值的遥感耕地提取技术，以期切实地推进遥感图像中地物提取的应用与发展。
-
公开(公告)号：CN119540554A
公开(公告)日：2025-02-28
申请号：CN202411591280.8
申请日：2024-11-08
IPC: G06V10/26 , G06V20/10 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于城市遥感监测技术领域，具体涉及一种基于互信息约束的多任务学习建筑物提取方法及系统。本发明针对现有建筑物提取方法往往会导致划分不完整和模糊，从而阻碍建筑物足迹提取的自动化的问题，设计了用于从遥感图像中精确提取建筑足迹的互信息约束多任务学习网络，互信息约束多任务学习网络引入了一种并行的上下文感知结构，以捕捉全局和细节建筑特征。此外，它还集成了傅立叶互信息平衡模块，以促进多尺度上下文信息的交互和融合。利用多任务学习策略，互信息约束多任务学习网络可同时提取建筑掩膜和轮廓，并采用互信息损失函数来加强这两项任务之间的信息交换。这种方法不仅能约束建筑形状，还能提高模型细化建筑边界的能力。
-
公开(公告)号：CN119415475A
公开(公告)日：2025-02-11
申请号：CN202510026330.6
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06F15/78 , G06F7/544 , G11C11/412 , G11C11/418 , G11C11/419
Abstract: 本申请涉及一种SRAM的存内乘法运算电路和模块、SRAM和电子设备，其中，该存内乘法运算电路包括存储部分和加权部分，存储部分包括八个存储单元，每个存储单元具有模拟量输入端和模拟量输出端且用于存储单比特权重，每个存储单元在自身存储的单比特权重为1时导通模拟量输入端和模拟量输出端以及在自身存储的单比特权重为0时断开模拟量输入端和模拟量输出端；加权部分包括第一电容、第二电容、第三电容、第四电容、第五电容、第六电容、第七电容、第八电容、第九电容、第十电容和第十一电容。所采用电容的数量和总容值均更少，降低了电路面积开销，解决了目前基于电荷域的SRAM的存内乘法运算电路的面积开销较大的问题。
-
公开(公告)号：CN114943902A
公开(公告)日：2022-08-26
申请号：CN202210330867.8
申请日：2022-03-30
Applicant: 安徽大学
Abstract: 本发明涉及无人机遥感分类技术领域，涉及一种基于多尺度特征感知网络的城市植被无人机遥感分类方法，包括：一、对采集的照片进行拼接、校正处理生成无人机正射影像；二、采用目视解译方法构建植被样本数据集；三、基于HRNet网络构建了多尺度特征感知深度神经网络MFDN植被分类模型，训练数据集至模型拟合效果最佳，选取最优模型进行预测并进行精度评价，最终得到城市植被分类结果图，实现无人机遥感城市植被快速调查。本发明在网络输入层引入坐标卷积减少空间信息的丢失，构建多层并行网络增强尺度信息，减少细节特征的丢失，同时利用分离特征模块，扩大感受野并获取多尺度特征信息，有效缓解了植被漏分、错分现象，提高了分类精度。
-
公开(公告)号：CN114708501A
公开(公告)日：2022-07-05
申请号：CN202210314950.6
申请日：2022-03-28
Applicant: 安徽大学
Abstract: 本发明涉及遥感影像建筑物检测技术领域，涉及一种基于条件对抗网络的遥感影像建筑物变化检测方法，包括：1)利用全卷积网络，研究多源高分辨率影像建筑物的语义分析和自适应传播方法，研究多时相建筑物形态特征感知方法及隐式概率分布；2)利用损失函数进行网络的优化和训练，开展建筑物多态模拟集的自学习、分析和生成，同时进行真实性判定、优化和对抗，研究生成模型与判别模型之间的对抗与优化方法，提取建筑物的变化概率分布；3)研究建筑物的域不变特征分析方法，加入分类器模型，获取建筑物变化检测结果；4)利用地表真实变化数据进行多种方式的定性与定量评价。本发明利用条件对抗网络实现建筑物变化的有效判定和提取。
-
Patent Agency Ranking
公开(公告)号：CN108898085B
公开(公告)日：2022-06-21
申请号：CN201810637986.1
申请日：2018-06-20
Applicant: 安徽大学
Abstract: 本发明公开了道路检测技术领域的一种基于手机视频的道路病害智能检测方法，包括以下步骤：第一步、采集道路病害图像，制作成不同类型的道路病害训练样本集，构建一个深度学习网络，对搜集的样本进行训练，得到一个好的深度学习模型；第二步、用手机采集具有GPS信息的视频，并将视频分割成不同时间序列的图像；第三步、将采集的视频图像代入训练好的模型中，识别出不同类型的道路病害，同时利用语义分割提取道路病害的矢量边界以及相应图像中像素坐标；第四步、对手机参数进行标定，获取单目视觉量测的计算参数，根据获取道路病害边界的像素坐标，计算道路病害的尺寸、面积、实际位置等信息；本发明适用于更多道路病害类型、准确度高。
-
公开(公告)号：CN111986256A
公开(公告)日：2020-11-24
申请号：CN202010825485.3
申请日：2020-08-17
Applicant: 安徽大学
IPC: G06T7/66
Abstract: 本发明公开了地图学与地理信息科学技术领域的一种基于距离变换的复杂面域质心解算方法，包括如下步骤：起终点选取、距离变换与栅格力矩值计算、求取一条质心平衡线和最后求取面域质心，根据物理学中悬垂法求取物体质心的原理，结合地图代数中距离变换的方法，提出一种新的提取复杂面域质心的解算方法，不仅可以解决带有空洞的复杂面域质心计算，而且能够处理地理学中非匀质地理要素的质心求解难题，克服了现有技术的缺陷，易于操作实现，对地理特征的研究具有重要意义。
-
公开(公告)号：CN114943902B
公开(公告)日：2025-05-09
申请号：CN202210330867.8
申请日：2022-03-30
Applicant: 安徽大学
IPC: G06V20/17 , G06N3/045 , G06N3/084 , G06N3/0985 , G06V10/80 , G06V10/764 , G06V10/82
Abstract: 本发明涉及无人机遥感分类技术领域，涉及一种基于多尺度特征感知网络的城市植被无人机遥感分类方法，包括：一、对采集的照片进行拼接、校正处理生成无人机正射影像；二、采用目视解译方法构建植被样本数据集；三、基于HRNet网络构建了多尺度特征感知深度神经网络MFDN植被分类模型，训练数据集至模型拟合效果最佳，选取最优模型进行预测并进行精度评价，最终得到城市植被分类结果图，实现无人机遥感城市植被快速调查。本发明在网络输入层引入坐标卷积减少空间信息的丢失，构建多层并行网络增强尺度信息，减少细节特征的丢失，同时利用分离特征模块，扩大感受野并获取多尺度特征信息，有效缓解了植被漏分、错分现象，提高了分类精度。
-
公开(公告)号：CN114330530B
公开(公告)日：2025-05-09
申请号：CN202111597460.3
申请日：2021-12-24
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/13 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0985 , G01N21/3577
Abstract: 本发明涉及水质参数遥感反演领域，公开了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，通过获取相同日期MODIS和Sentinel‑2数据，经过预处理，得到样本数据集；构建面向叶绿素a浓度反演的MODIS和Sentinel‑2空‑谱融合深度学习网络，并耦合光谱响应函数、影像退化模型等物理约束，从而获得具有MODIS光谱分辨率和Sentinel‑2空间分辨率的融合数据，为叶绿素a浓度反演提供高空谱分辨率数据源；结合实地采样数据与融合的高空谱分辨率数据，在梯度提升树等机器学习的水质反演算法下验证融合的有效性，结果表明本处理方法有效提高了叶绿素a浓度的反演精度。
-
公开(公告)号：CN114782740B
公开(公告)日：2025-04-15
申请号：CN202210342843.4
申请日：2022-03-31
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/771 , G06V10/58 , G06V20/17 , G06V20/10 , G06N3/126 , G16C20/20 , G16C20/70 , G01N21/25
Abstract: 本发明涉及水质监测技术领域，涉及一种结合遗传优化与极端梯度提升的遥感水质监测方法，包括：一、构建水质参数反演模型输入的特征工程，研究水质参数值与光谱特征的非线性关系；二、构建基于遗传算法优化的极端梯度提升算法，利用遗传算法对极端梯度提升算法部分内置参数进行全局优化，从而构建水质参数反演模型；三、基于构建的最优水质参数反演模型得到河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果，从而进一步研究河段水质参数空间分布特征、时空变化及其影响因素。本发明对于进一步推动城市水环境监测技术的智能化和自动化水平提供可靠的依据，有利于推动城市河流高效率、高质量的水质监测和保护。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.095 seconds)
