-
公开(公告)号：CN110197205B
公开(公告)日：2022-04-22
申请号：CN201910385039.2
申请日：2019-05-09
Applicant: 三峡大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06N3/04
Abstract: 本发明公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。
-
公开(公告)号：CN114220003A
公开(公告)日：2022-03-22
申请号：CN202111423886.7
申请日：2021-11-26
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 一种大范围地物分割的多目标无监督域自适应方法，包括以下步骤：步骤1：在获取的大范围遥感影像中，选取多个领域中的一个领域的数据，标记后进行裁剪制作源域数据集，其他领域的图像直接裁剪后制作为多个目标域数据集；步骤2：将源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取分割模型；步骤3：将多个目标域数据集投入分割模型中，通过熵最小化排序将拥有高置信度伪标签的目标域图像制作为伪源域数据集；步骤4：将伪源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取最终分割模型；步骤5：将全部遥感图像放入模型得到分割结果。
-
公开(公告)号：CN114091508A
公开(公告)日：2022-02-25
申请号：CN202111034429.9
申请日：2021-09-03
Applicant: 三峡大学
Abstract: 一种基于高阶条件随机场的非监督遥感影像变化检测方法，它包括以下步骤：步骤1：对两期遥感影像进行预处理，获得两组不同的差分影像；步骤2：对两组差分影像进行模糊聚类，得到模糊隶属度函数，并对模糊隶属度进行融合，得到融合隶属度；步骤3：进行差分影像的分割，得到对象级差分影像；步骤4：利用融合隶属度和像素级差分影像计算条件随机场能量函数的一元势和二元势，利用融合隶属度和对象级差分影像计算条件随机场能量函数的高阶势；步骤5：对高阶条件随机场的能量函数进行最优化，输出所有像素类别标签，得到最终的变化检测图。
-
公开(公告)号：CN113609913A
公开(公告)日：2021-11-05
申请号：CN202110775562.3
申请日：2021-07-08
Applicant: 三峡大学
Abstract: 一种基于采样阈值区间加权的松材线虫病树检测方法，它包括步骤1:进行图像采集，对包含病树样本的图片进行标记作为训练集；步骤2:构建病树特征提取网络对训练集图片进行卷积，生成特征图；步骤3:构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；步骤4:样本采集完成后送入解耦的网络检测头中，进行类型识别与定位，并生成训练模型；步骤5:获取验证集图片，并将处理后的图片投入训练模型中进行识别等步骤。本发明的目的是为了能准确、可靠的对松材线虫病树进行定位，而提供了一种鲁棒的、基于影像处理技术的对松材线虫病树进行检测的方法。
-
公开(公告)号：CN103839184A
公开(公告)日：2014-06-04
申请号：CN201410060106.0
申请日：2014-02-21
Applicant: 三峡大学
Abstract: 本发明涉及一种农作物群体长势多空间尺度自适应监测方法及装置，包括以下步骤：监测农作物群体形态结构和群体生理活性的地表参量；根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量；根据所述遥感可估算长势参量对农作物群体长势进行评估。本发明结合农学知识与植被遥感响应机制构建能够综合定量表征农作物群体形态结构和群体生理活性的遥感可估算长势参量，根据所述遥感可估算长势参量制定具有空间尺度自适应能力的阈值划分策略，扩展定量阈值划分方法的空间尺度通用性和可移植性，实现了综合定量分级农作物群体长势状况的有益效果。
-
Patent Agency Ranking
公开(公告)号：CN119445366A
公开(公告)日：2025-02-14
申请号：CN202411453892.0
申请日：2024-10-17
Applicant: 三峡大学
IPC: G06V20/10 , G06V20/17 , G06V10/25 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/09
Abstract: 一种基于多约束异构深度网络的农村建筑检测方法，包括以下步骤：S1.对农村地区进行航拍，获取包含建筑物的高分辨率影像数据；S2.通过Labelimg工具对采集的图像数据使用矩形框标注出已建成建筑物与在建筑物的中心点坐标、宽度和高度与类别等关键信息来构建遥感图像数据集；S3.将构建的遥感图像数据集送入设计的多约束异构深度网络MHDN进行训练，并保存训练得到的权重文件用作推理过程中的预训练权重模型；S4.将保存的预训练权重加载至步骤S3获得的模型中，使用测试集来验证模型的检测效果；S5.通过由步骤S4获得的模型对目标建筑物进行检测。
-
公开(公告)号：CN119007026A
公开(公告)日：2024-11-22
申请号：CN202411042908.9
申请日：2024-07-31
Applicant: 三峡大学
IPC: G06V20/13 , G06V20/10 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 一种基于改进YOLOV8的细粒度建筑物检测算法，该算法基于对YOLOV8模型的改进，旨在提升遥感图像中建筑物检测的准确性和效率。以下是该算法的详细步骤：步骤S1：首先，我们收集了丰富的遥感建筑物图像，并据此构建了一个专门的遥感建筑物数据集，为模型训练提供了坚实的基础；步骤S2：接着，利用上述数据集，我们对YOLOV8模型进行了细致的改进和优化，通过训练过程，我们得到了一个精准的遥感建筑物检测模型；步骤S3：最后，我们将该遥感建筑物检测模型应用于待检测的遥感图像数据，实现了对建筑物的高效识别和定位。
-
公开(公告)号：CN118799750A
公开(公告)日：2024-10-18
申请号：CN202410779475.9
申请日：2024-06-17
Applicant: 三峡大学
IPC: G06V20/17 , G06V10/10 , G06V10/46 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 一种基于显著特征引导的火焰检测模型的构建方法，它包括以下步骤：步骤1：构建两个特征提取的编码分支，其中第一个分支在RGB色彩模式下提取火焰的特征表达，第二个分支则在HSV色彩模式下提取火焰的特征表达；步骤2：通过协同感知调控模块和拼接操作，将经过步骤2得到的两个不同编码分支的特征进行整合，实现不同类型特征的融合；步骤3：为了更好地适应目标检测任务，引入特征金字塔模块，对步骤3整合后的特征进行进一步处理，以挖掘不同大小的特征图所包含的不同目标特征信息；步骤4：通过耦合的检测头对由步骤4获得的特征信息进行处理，在后续的检测过程中使用这些特征信息来实现准确的目标定位和分类；通过以上步骤，实现火焰检测模型的构建。
-
公开(公告)号：CN117970232A
公开(公告)日：2024-05-03
申请号：CN202410094887.9
申请日：2024-01-23
Applicant: 三峡大学
Abstract: 本发明提供一种基于EMVS‑MIMO雷达相干目标2D‑DOA估计算法，包括以下步骤：建立单基地EMVS‑MIMO雷达信号模型；获取Tx阵列、Rx阵列空间响应和RCS系数矩阵；连接Tx阵列和Rx阵列空间响应与RCS系数矩阵；结合空间旋转不变性以及矢量叉乘技术获得2D‑DOA的粗略估计；消除噪声子空间中的偏振信息，并基于粗略估计，利用噪声特征向量与信号向量之间的正交性获得2D‑DOA的精细估计。本发明解决了在MIMO雷达在测向方面现有技术中，难以实现复杂度和精度之间平衡的问题和存在阵列几何形状限制的问题，可以在保证考虑发射和散射回波偏振精度的同时，获得的高精度2D‑DOA估计，此外，也解决了相干目标通信中的多径效应造成的秩亏问题。
-
公开(公告)号：CN117892854A
公开(公告)日：2024-04-16
申请号：CN202311703122.2
申请日：2023-12-12
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/02 , G06F18/2433 , G06F18/15 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/082
Abstract: 一种基于NI‑CLAP框架的遥感数据水稻产量预测方法，它包括以下步骤：步骤1：收集相关的水稻产量数据和其他相关特征数据；步骤2：对收集到的数据进行清理，剔除冗余数据；步骤3：提取数据中地理相关、作物生长相关、气候相关的特征因素共九个，并对获取到的数据分别进行三种不同的归一化处理；步骤4：进行CNN‑LSTM‑Attention网络模型的构建，并采用所构建的预测模型进行水稻产量预测；本发明的目的是为准确的季节内作物产量预测提供了一个强大的NI‑CLAP框架，为深入了解环境压力对未来农业生产力的影响铺平了道路。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.106 seconds)
