-
公开(公告)号：CN111310666A
公开(公告)日：2020-06-19
申请号：CN202010099370.0
申请日：2020-02-18
Applicant: 浙江工业大学
Abstract: 一种基于纹理特征的高分辨率影像地物识别与分割方法，包括：步骤1，根据类别体系制作样本集；步骤2，构造深度学习网络模型，内含：步骤2.1，构造骨干网络、步骤2.2，构造纹理特征提取结构、步骤2.3，构造特征矩阵去噪结构、步骤2.4，构造上采样结构；步骤3，深度学习网络模型训练；步骤4，图像预测；步骤5，分割结果后处理。本发明使用深度学习网络框架，通过重新设定网络框架下采样倍数，并显式设定纹理信息提取结构，不仅减少了小目标的信息损失，也提高了纹理信息的表达能力；深度网络模型中添加特征矩阵去噪模块，减少方法在计算中带来的额外噪声，实现逐像素的纹理表达，进一步提高网络模型精度。
-
公开(公告)号：CN110598564A
公开(公告)日：2019-12-20
申请号：CN201910757947.X
申请日：2019-08-16
Applicant: 浙江工业大学
Abstract: 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法，包括：基于OpenStreetMap数据自动生成目标域的影像对象样本集；采用与目标域影像具有相同成像传感器的源域影像，基于其历史分类图自动生成源域的影像对象样本集；综合以上目标域和源域样本集形成混合样本集，用于训练基于随机森林的迁移学习算法分类器；采用最终分类器预测目标域影像对象类型，以此得到最终分类结果。本发明在没有人工标注目标域影像类别的情况下，可以从OpenStreetMap数据中提取目标域影像对象的标签，通过挖掘相同传感器影像的历史分类图信息，结合目标域影像样本集，采用迁移学习算法对影像进行分类，降低了分类成本，可应用于大范围高空间分辨率遥感影像分类工作。
-
-
公开(公告)号：CN120047827A
公开(公告)日：2025-05-27
申请号：CN202510122216.3
申请日：2025-01-26
Applicant: 浙江工业大学
Abstract: 一种基于语义边缘和分割的农业地块形态局部更新方法和装置，其方法包括：准备指定应用区域前一期的地块边界矢量和最终需要进行局部更新提取的后期目标区域遥感图像；挑选、设计能够同时产生语义分割和语义边缘的多任务学习网络模型；利用该语义分割和语义边缘的多任务学习模型对前一期的地块边界矢量和后一期的遥感影像进行训练，获得该多任务学习的模型权重，对目标应用区高分遥感影像数据进行预测，获得应用区域农业耕地的线结果和面结果；将面预测结果去小图斑化处理，对比两期语义分割的结果，根据阈值选取出发生更新的地块要素。对发生更新的地块要素按以下情况进行分类处理：1、不存在公共边：不存在公共边的情况，直接采用后期遥感通过多任务学习模型产生的边缘矢量结果。2、存在公共边：在两期遥感影像中，农业地块的面积可能会发生改变(增加或减少)，本发明根据边缘融合算法，对两期图像进行对比，将两期图像中相同的边缘保留，而对发生变化的边缘进行更新。本发明最终实现了对遥感图像地块的局部更新。
-
公开(公告)号：CN117636160A
公开(公告)日：2024-03-01
申请号：CN202311528976.1
申请日：2023-11-15
Applicant: 浙江工业大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 一种基于半监督学习的高分遥感耕地地块自动更新方法，包括：准备语义分割阶段的数据和模型；制作语义分割样本A；使用模型训练样本，得到耕地语义分割信息提取模型，再处理T2时相灰度图；添加无监督样本迭代并更新样本；不断的调整样本迭代训练获取最终语义分割结果；确定用于耕地变化检测阶段的目标区域和无标记样本B；挑选变化检测模型并训练和获取耕地变化结果；增加监督信息样本进行迭代并更新样本；根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内；获取变化检测结果的矢量；更新T2时相矢量文件。本发明提升耕地的提取效率和准确率，解决了耕地地块更新较难的问题。
-
Patent Agency Ranking
公开(公告)号：CN114581729A
公开(公告)日：2022-06-03
申请号：CN202210170422.8
申请日：2022-02-24
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/82 , G06N3/08 , G06V20/10
Abstract: 一种基于弱监督深度学习的高分不透水面提取方法，首先根据提取任务确定遥感地物目标并制作少量精确高分辨率遥感图像样本标签和大量粗粒度中分辨率遥感图像样本标签。然后使用少量精确样本标签训练小样本集不透水面模型。再使用小样本集不透水面模型预测大量高分无标签影像，得到大量高分遥感影像不透水面伪标签，从中挑选大量更准确高分遥感影像样本标签结合少量精确样本标签作为新的训练集，多次循环训练生成新的不透水面模型，直至模型精度不再提升，用最终模型预测生成最终样本标签，再结合大量中分遥感不透水面弱标签数据训练生成大样本集不透水面模型，最后用大样本集不透水面模型预测待生产的高分遥感影像，获取最终的不透水面提取结果。
-
公开(公告)号：CN109325451B
公开(公告)日：2022-05-06
申请号：CN201811118991.8
申请日：2018-09-25
Applicant: 苏州中科天启遥感科技有限公司 , 浙江工业大学 , 中国科学院遥感与数字地球研究所 , 中科坤元地理信息技术(苏州)有限公司
Abstract: 本发明公布了一种基于深度学习的高空间分辨率耕地地块全自动提取技术，本发明以传统的Canny边缘算子提取的边缘为指导，以深度学习理论为基础，通过大量的边缘样本标签数据训练HED深度学习模型，改进模型的网络层数、池化大小等参数；进而以新的网络模型对研究区影像进行耕地地块提取，最后以Canny边缘算子提取的边界对模型提取的边界进行细化和剔除处理，实现耕地地块骨架边缘的提取。相比于传统的人工提取地块，本发明可有效提高地块提取的生产效率，另外可以保证地块边缘精度的统一。
-
公开(公告)号：CN111291818B
公开(公告)日：2022-03-18
申请号：CN202010099382.3
申请日：2020-02-18
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/764 , G06K9/62 , G06N20/00
Abstract: 一种面向云掩膜的非均匀类别的样本均衡化方法，包括：步骤1：数据预处理与样本获取；步骤2：样本分组；步骤3：云掩膜模型训练；步骤4：分类器掩膜与评价；步骤5：迭代训练；步骤6：云掩膜；步骤7：掩膜数据后处理。本发明采用的样本均衡化方法，有效的解决了遥感影像中云类别不均匀而导致的样本失衡，实现对影像中各种类型云的有效识别和分割，从而提高云掩膜精度；选择性地输入样本，这可以突出缺失或错误检测的样本的影响，从而增强小类别样本，从而有效地调整深度学习模型所提取的特征，解决小类别云漏检或误检问题。
-
公开(公告)号：CN111291818A
公开(公告)日：2020-06-16
申请号：CN202010099382.3
申请日：2020-02-18
Applicant: 浙江工业大学
Abstract: 一种面向云掩膜的非均匀类别的样本均衡化方法，包括：步骤1：数据预处理与样本获取；步骤2：样本分组；步骤3：云掩膜模型训练；步骤4：分类器掩膜与评价；步骤5：迭代训练；步骤6：云掩膜；步骤7：掩膜数据后处理。本发明采用的样本均衡化方法，有效的解决了遥感影像中云类别不均匀而导致的样本失衡，实现对影像中各种类型云的有效识别和分割，从而提高云掩膜精度；选择性地输入样本，这可以突出缺失或错误检测的样本的影响，从而增强小类别样本，从而有效地调整深度学习模型所提取的特征，解决小类别云漏检或误检问题。
-
公开(公告)号：CN105279745B
公开(公告)日：2018-09-07
申请号：CN201510709148.7
申请日：2015-10-28
Applicant: 浙江工业大学
IPC: G06T5/40
Abstract: 遥感影像色彩归一化的多特征点约束直方图规整方法，分别统计输入影像和参考影像的直方图并归一化，得到不同灰度值所占的比例，然后采用高斯滤波器进行滤波，得到平滑的直方图；将平滑的直方图看成是按照灰度由小到大依次连接对应灰度值比例而成的曲线，通过道格拉斯算法提取特征点；在直方图的灰度范围一致化处理的基础上，按照最小距离以及特征点类型建立特征点间的对应关系；以特征点作为约束，利用直方图规整建立输入影像到参考影像的灰度映射方程；根据灰度映射方程，对输入影像进行灰度重采样，得到结果影像。本发明能够拟合不同灰度范围灰度值压缩或者拉伸的情况，克服误差累积和传递。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.021 seconds)
