-
公开(公告)号：CN110110621A
公开(公告)日：2019-08-09
申请号：CN201910329481.3
申请日：2019-04-23
Applicant: 安徽大学
Abstract: 本发明公开了摄影测量数据处理技术领域的基于多特征整合深度学习模型的倾斜摄影点云分类方法，首先，通过研究顾及视觉注意力机制的点云分类优化，实现点云立体视觉注意特征分析方法，以及基于深度学习的立体目标视觉注意力评估方法，并进行识别目标注意力强弱评估与排序；其次，利用立体视觉注意力机制，对待识别的倾斜摄影点云进行点云过滤，开展点云初级特征描述及自学习子模型研究；最后，经过点云场景相对于待识别目标的视觉注意力机制过滤后的点云作为待识别点云；本发明在应用上，取得具有实用价值的倾斜摄影实景点云分类技术，以期切实地推进倾斜摄影应用由“可视化”向“可计算”方向发展。
-
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。
-
公开(公告)号：CN119494988A
公开(公告)日：2025-02-21
申请号：CN202411852452.2
申请日：2024-12-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于遥感语义分割信息提取技术领域，具体涉及一种基于SAM多阶微调的遥感影像土地分类方法。本发明方法能够提高遥感多分类精度与泛化能力，首先基于国产高分系列影像通过目视解译构建样本数据集；并在此基础上，利用SAM编码器强大的特征提取能力设计网络，设计了域偏移适配模块与深度低秩适配模块，并改进原始SAM的掩码生成部分，对SAM进行三阶段适配微调，以增强网络对遥感图像的特征提取能力，提升模型性能。本发明在应用上，取得具有实用价值的遥感土地利用覆盖多分类技术，以期切实地推进大模型在遥感图像语义分割多分类中的应用与发展。
-
Patent Agency Ranking
公开(公告)号：CN118968303A
公开(公告)日：2024-11-15
申请号：CN202411063990.3
申请日：2024-08-05
IPC: G06V20/10 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了高空间分辨率光学遥感影像的细小水体自动化提取方法，涉及图像处理和目标识别技术领域，针对当前城市区域水体智能提取中存在细小水体丢失，受到建筑物阴影的严重影响问题，将人眼视觉认知相关理论与深度学习模型相结合，构建伪孪生神经网络和Densenets深度学习模型，包括：高空间分辨率光学遥感影像预处理、水体样本集制作、模型构建、基于上下文信息的建筑物阴影去除。实现遥感影像多特征并行自学习和多特征整合，减少建筑物阴影对水体提取精度的影响。取得具有实用价值的高空间分辨率光学遥感影像城市区域水体全自动分类技术，提升城市区域细小水体提取的精度，实现城市区域水体的完整提取，极大地提高城市区域水体提取的效率。
-
公开(公告)号：CN114494868B
公开(公告)日：2022-11-22
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。
-
公开(公告)号：CN110110621B
公开(公告)日：2022-03-08
申请号：CN201910329481.3
申请日：2019-04-23
Applicant: 安徽大学
Abstract: 本发明公开了摄影测量数据处理技术领域的基于多特征整合深度学习模型的倾斜摄影点云分类方法，首先，通过研究顾及视觉注意力机制的点云分类优化，实现点云立体视觉注意特征分析方法，以及基于深度学习的立体目标视觉注意力评估方法，并进行识别目标注意力强弱评估与排序；其次，利用立体视觉注意力机制，对待识别的倾斜摄影点云进行点云过滤，开展点云初级特征描述及自学习子模型研究；最后，经过点云场景相对于待识别目标的视觉注意力机制过滤后的点云作为待识别点云；本发明在应用上，取得具有实用价值的倾斜摄影实景点云分类技术，以期切实地推进倾斜摄影应用由“可视化”向“可计算”方向发展。
-
公开(公告)号：CN119992329A
公开(公告)日：2025-05-13
申请号：CN202510078099.5
申请日：2025-01-17
Applicant: 安徽大学 , 长江信达软件技术(武汉)有限责任公司
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/766 , G06V10/52 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
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特征综合感知的多源高分辨率遥感影像植被提取方法。本发明首先通过随机森林模型对植被指数进行特征优选，筛选出能够提升植被与其他地物目标的类间差异性指数，在此基础上构建了多特征综合感知卷积网络，该网络通过构建光谱特征与植被指数特征双支并行网络，在简化密集连接模块的基础上，强化多尺度特征信息提取能力的同时，减少了细节特征的丢失。此外，为了促使原始光谱信息和植被指数特征之间进行全局信息交互，设计双路多头交叉注意融合模块，扩大植被与其他地物的差异性与植被的一致性，提高网络的泛化性能，实现多源高分辨率遥感数据下植被提取。
-
公开(公告)号：CN114708501B
公开(公告)日：2025-04-08
申请号：CN202210314950.6
申请日：2022-03-28
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084 , G06V10/764 , G06V10/82
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。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.059 seconds)
