-
公开(公告)号：CN108846334A
公开(公告)日：2018-11-20
申请号：CN201810542454.X
申请日：2018-05-30
Applicant: 安徽大学
Abstract: 本发明公开了数字图像识别和深度学习技术领域的一种云类别自动识别方法及系统，包括数据采集模块、云图识别模块、云图结果展示模块和模型构建模块，所述云图结果展示模块分别信号连接数据采集模块、云图识别模块和模型构建模块，通过在密集连接卷积网络(Dense Net)的基础上，提出一种改进的Dense Net，结合手机APP开发和摄像头监测视频处理等技术，解决了由于云的种类繁多，部分提取的特征针对性较强，难以从海量的云图数据中提取有效的特征，不能充分挖掘不同云图之间的内在联系的问题，结构简单，效率提高。
-
公开(公告)号：CN118628929A
公开(公告)日：2024-09-10
申请号：CN202410748707.4
申请日：2024-06-12
Applicant: 安徽大学 , 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站)
IPC: G06V20/13 , G06V10/774 , G06V10/82 , G06V10/776 , G06V20/70 , G06V10/52 , G06V10/80 , G06V10/74 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于摄影测量数据处理技术领域，具体涉及一种基于多层次差异信息联合增强的遥感影像变化检测方法。本发明基于高空间分辨率遥感影像数据，构建多层差异信息联合增强的孪生网络，包括：变化检测数据集获取及处理、构建编码‑解码结构的深度模型、构建差异度量模块、构建多层次特征联合增强模块、模型结果精度评价；在深入挖掘多时相影像深度特征的同时，加强对时序影像多层次特征关联下变化信息的利用，提升变化目标的完整性和变化目标间的独立性。本发明提出多层次差异信息联合增强的深度学习网络机制，对于超高分辨率遥感影像变化检测的目标矢量完整性、个体目标分离性显著提升，取得了更好地检测效果，具有重要的研究意义和实用价值。
-
公开(公告)号：CN118429715A
公开(公告)日：2024-08-02
申请号：CN202410610142.3
申请日：2024-05-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/774 , G06V10/82 , G06V10/62 , G06V10/77 , G06V10/80 , G06N3/0442 , G06N3/0455
Abstract: 本发明属于药品储藏技术领域，具体涉及一种基于Vision Transformer‑LSTM的多时序遥感影像农作物分类方法。本发明方法设计双路Vision‑Transformer特征提取模块用于捕获图像的时空特征相关性，一路提取空间分类特征，一路提取时间变化特征；时空特征融合模块用于将多时特征信息进行交叉融合；LSTM时序分类模块捕捉多时序的依赖关系并进行输出分类，为农作物分类方法提供了新的思路。具体包括：多时序遥感影像获取、农作物样本集制作、ViTL模型结构设计、模型测试及农作物分类结果精度验证。本发明方法提升了在捕捉植被生长状态及关键农作物特征方面的潜力，为农作物分类任务提供新的解决方案，提高识别不同农作物之间的差异。
-
公开(公告)号：CN114708313A
公开(公告)日：2022-07-05
申请号：CN202210301648.7
申请日：2022-03-24
Applicant: 安徽大学
IPC: G06T7/33 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/46 , G06V10/74 , G06V10/75 , G06V10/764 , G06V10/82
Abstract: 本发明涉及图像配准技术领域，涉及一种基于双支路神经网络的光学与SAR图像配准方法，包括：一、提取光学和SAR图像的点特征信息，将点特征信息转化为以特征点为中心的特征图像作为输入信息；二、利用双支路神经网络训练识别输入的光学和SAR的特征图像信息的匹配关系；利用光学和SAR图像的样本数据制作样本库输入到网络中训练，分析网络模型的配准精度，迭代对网络进行训练，选出训练效果最佳的模型作为模型文件，获取光学和SAR的正确图像匹配对；三、筛选出正确匹配的图像对的特征点信息，利用匹配特征点计算光学和SAR的图像变换矩阵参数信息，获取到最终图像信息。本发明能较佳地进行光学和SAR的图像配准。
-
公开(公告)号：CN114494868A
公开(公告)日：2022-05-13
申请号：CN202210061551.3
申请日：2022-01-19
Applicant: 安徽大学
Abstract: 本发明公开了摄影测量处理技术领域的基于多特征融合深度学习模型的无人机遥感建筑物智能提取方法，以“如何利用深度学习，模拟人眼立体视觉中建筑物多特征表达形式”为核心，研究基于孪生网络的DSM(数字表面模型)与DOM(数字正射影像)的多特征融合方法，设计建筑物多特征的特征抽取、分析能力，通过密集注意力机制进一步增强建筑物的特征传递和累积整合特性，将原来使用的单网络结构变为使用对称网络结构，并且两个对称网络结构完全相同，并结合注意力机制，构建混合模型，深度挖掘无人机遥感建筑物的多层次、多维度的特征和空间关系，实现顾及建筑物多层次特征的无人机遥感建筑物自动提取新方法。
-
Patent Agency Ranking
公开(公告)号：CN108629119B
公开(公告)日：2022-04-05
申请号：CN201810432877.6
申请日：2018-05-08
Applicant: 安徽大学
IPC: G06F30/20 , G06F119/12
Abstract: 本发明涉及定量遥感产品处理技术领域，公开一种时序MODIS定量遥感产品时空修复及其批处理实现方法，通过将时序MODIS定量遥感产品时空修复流程化，实现MODIS定量遥感产品空值或低质量数据修复的批量处理，得到空间上连续的高质量MODIS定量遥感产品；而且批处理计算效率较高，易于实现，实用价值高，可用于MODIS定量遥感产品质量改善的业务化运行。
-
公开(公告)号：CN106055694B
公开(公告)日：2019-07-23
申请号：CN201610410679.0
申请日：2016-06-03
Abstract: 本发明公开了一种基于信息熵的地理曲线曲折度度量方法，涉及地理信息科学技术领域，本发明依次完成识别弯曲单元、叠加确定不同尺度下的弯曲嵌套关系并建立弯曲层次树、删除无效弯曲和基于信息熵理论度量地理曲线的曲折度的工作，采用将尺寸复杂度和层次复杂度相结合的综合复杂度的进行曲折度的描述，完整地展现了曲线的部分与整体曲折度，同时较为全面地考虑了弯曲不同层次间的嵌套关系，克服了现有技术的缺陷，可以较好地描述曲线曲折度，全面地反映曲线的形态和结构特征，受曲线长度影响小，充分利用弯曲层次树完整反映弯曲之间的邻近关系与层次特性，并采用信息熵理论度量复杂度，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：CN109145730A
公开(公告)日：2019-01-04
申请号：CN201810770020.5
申请日：2018-07-13
Applicant: 安徽大学
CPC classification number: G06K9/0063 , G06K9/6256 , G06K9/6268
Abstract: 本发明公开了目标自动检测和深度学习技术领域的一种遥感影像中矿区自动语义分割方法，其特征在于：所述具体步骤如下：步骤一、建立训练样本集：获取矿区的遥感影像，并人工勾绘出矿区的边界，形成边界栅格文件，利用ArcGIS生成448*448、512*512两种尺度的渔网，采用生成的两种所述渔网对所述矿区的遥感影像进行批量裁剪，生成不同尺寸的影像块，作为深度学习网络的输入数据，通过所述渔网对影像中的矿区栅格边界文件进行裁剪，生成每个矿区影像块对应的边界文件，作为网络的标签数据；本发明通过混合网络Den‑Res Net在保留特征完整性的同时能够对提取的特征进行高度抽象，可以采用其解决Dense Net网络的特征冗余问题，工作效率高，能够自动的进行语义分隔，准确度高。
-
公开(公告)号：CN120071112A
公开(公告)日：2025-05-30
申请号：CN202510189211.2
申请日：2025-02-20
Applicant: 安徽大学
IPC: G06V20/05 , G06V10/52 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种针对细小水体多特征联合提取与自适应阈值识别方法，在输入已有光谱信息基础上引入平行水体指数信息分别使用多个并联的子网络来学习不同大小水体样本的指数和光谱特征，并引入注意力机制，构建了一个兼顾细小水体图像细节和解决细微像素误提漏提的双支结构模型MSFCN。此外，针对细小水体定义模糊且划分方法缺乏普适性等问题，综合考虑水体的宽度、面积两大特征，提出一种细小水体频率阈值自适应识别方法。本发明方法可显著提升对细小水体的提取精度，减少了因混合元素导致的误提和漏提现象，还有效增强了在不同区域生态环境中的适应性，实现了细小水体的高效、精准识别与动态监测。
-
公开(公告)号：CN118968171A
公开(公告)日：2024-11-15
申请号：CN202411056523.8
申请日：2024-08-02
Applicant: 安徽大学 , 安徽省气象科学研究所(安徽省生态气象和卫星遥感中心、安徽省农业气象中心)
IPC: G06V10/764 , G06V20/10 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了顾及全局一致性和边缘特异性的遥感影像农作物分类方法，涉及图像处理技术领域，本发明利用频谱域特征学习提升深度学习网络对作物复杂特征的捕捉能力，采用傅里叶变换策略和自适应的动态滤波器构建AFSF模块，设计一种基于傅里叶频谱域学习的卷积神经网络FSEU‑Net，方法包括：高时间分辨率遥感影像的获取及预处理，农作物样本集制作，训练卷积神经网络模型，自适应动态滤波模块，模型测试并实现农作物分类结果输出。本发明提升了不同农作物类间差异与缩小相同作物类内差异，增强农作物间的可分离度，提高模型的性能，为全球土地面积的智能化农业生产准确统计提供一种有效的技术支撑。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.042 seconds)
