一种基于自动机器学习的遥感影像场景分类方法

    公开(公告)号:CN112163549A

    公开(公告)日:2021-01-01

    申请号:CN202011094951.1

    申请日:2020-10-14

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于自动机器学习的遥感影像场景分类方法,包括以下步骤:在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索,以获取结构最优的深度神经网络AN1;使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络,进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集DN2;利用所述的遥感影像数据集训练所述的最优的深度神经网络,训练过程由自动超参数优化控制;利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程,提高了遥感影像场景分类任务的精度,并大大减少了对人力与时间的消耗。

    基于双注意力孪生网络的高分遥感影像变化检测方法

    公开(公告)号:CN111539316B

    公开(公告)日:2023-05-05

    申请号:CN202010319604.8

    申请日:2020-04-22

    Applicant: 中南大学

    Abstract: 本发明公开了基于双注意力孪生网络的高分遥感影像变化检测方法,包括:将对应区域两个时相的遥感影像进行均匀无重叠裁剪成成对的子图;对每一对子图进行初步特征提取,获得特征张量对;将特征张量对同时输入到空间注意力模块和通道注意力模块中,获得判别性更好的特征张量对;对所述更好的特征张量对进行卷积降维以映射到嵌入空间;在嵌入空间中计算特征张量对每个位置点的欧式距离;通过阈值分割得到变化检测结果。本发明方法利用孪生的空间注意力机制和通道注意力机制来获取高判别性的特征表达,同时使用双重阈值损失函数来进一步筛选有效特征,强效滤除伪变化信息的遥感影像变化,从而获得了较好的高分辨率遥感影像变化检测结果。

    一种基于属性增强的时空图卷积模型的交通预测方法

    公开(公告)号:CN112216108B

    公开(公告)日:2021-06-29

    申请号:CN202011082028.6

    申请日:2020-10-12

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于属性增强的时空图卷积模型的交通预测方法,包括以下步骤:基于路网数据构建邻接矩阵A;基于特征矩阵X、兴趣点信息向量p和天气信息矩阵B构建t时刻的属性增强矩阵Kt=[Xt,p,Bt];将历史n个时刻的属性增强矩阵,以及道路网络的邻接矩阵输入时空图卷积模型学习训练,计算交通流隐藏状态,获得交通预测值。本发明方法在使用时空图卷积模型建模时空间特征的基础上,融合多源碎片化的城市数据来捕捉影响交通的外部因素与交通流的关系,增强时空图卷积模型对外部影响因素的感知,进而实现更加高效精准的交通预测。

    一种基于剪枝压缩神经网络的遥感图像分类方法

    公开(公告)号:CN112132062B

    公开(公告)日:2021-06-29

    申请号:CN202011021851.6

    申请日:2020-09-25

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于剪枝压缩神经网络的遥感图像分类方法,包括:对遥感图像识别问题训练一个初始的神经网络模型,将所述模型作为待剪枝的初始模型;利用初始模型学习到的输出函数对参数微小改变的敏感性来逐层计算模型中参数的敏感性矩阵;对参数的敏感性矩阵的值进行排序,修剪掉不重要的参数;重新训练未被剪枝的剩余权重;当一层修剪完成之后,对下一层的修剪过程重复步骤即可;使用修剪完成后的神经网络模型对遥感图像进行分类。本发明方法提供了一种更加精确、实用、可靠的方法来计算模型中各参数的重要程度,从而将那些不重要的参数进行剔除,最终获得一个满意的压缩比例,用于更高效地进行遥感图像分类识别。

    一种适于多任务迭代学习记忆的遥感图像分类方法

    公开(公告)号:CN111931747B

    公开(公告)日:2021-01-29

    申请号:CN202011074327.5

    申请日:2020-10-10

    Applicant: 中南大学

    Abstract: 本发明公开了一种适于多任务迭代学习记忆的遥感图像分类方法,包括:初始化模型分类器之前的参数、固定权重、临时权重,利用参数权重预测性能;利用第一个任务的训练数据计算模型中每个参数的敏感性;当模型学习新的任务时,使用修改后的损失函数对模型进行训练,学习得到分类器之前的参数;在分类器中拓展新的神经元用于学习新任务中的新的类,重新初始化分类器的临时权重,学习得到分类器的临时权重,利用参数权重预测性能;利用新任务的训练数据计算模型中每个参数的敏感性矩阵,计算作为下一个任务训练的损失函数中添加的参数的敏感性矩阵;每当进来一个新任务对其进行训练时,重复步骤;使用训练好的模型分类器对遥感图像进行分类。

    一种适于多任务迭代学习记忆的遥感图像分类方法

    公开(公告)号:CN111931747A

    公开(公告)日:2020-11-13

    申请号:CN202011074327.5

    申请日:2020-10-10

    Applicant: 中南大学

    Abstract: 本发明公开了一种适于多任务迭代学习记忆的遥感图像分类方法,包括:初始化模型分类器之前的参数、固定权重、临时权重,利用参数权重预测性能;利用第一个任务的训练数据计算模型中每个参数的敏感性;当模型学习新的任务时,使用修改后的损失函数对模型进行训练,学习得到分类器之前的参数;在分类器中拓展新的神经元用于学习新任务中的新的类,重新初始化分类器的临时权重,学习得到分类器的临时权重,利用参数权重预测性能;利用新任务的训练数据计算模型中每个参数的敏感性矩阵,计算作为下一个任务训练的损失函数中添加的参数的敏感性矩阵;每当进来一个新任务对其进行训练时,重复步骤;使用训练好的模型分类器对遥感图像进行分类。

    儿童骨髓穿刺操作台
    37.
    发明授权

    公开(公告)号:CN106821665B

    公开(公告)日:2019-01-18

    申请号:CN201710187755.0

    申请日:2017-03-27

    Abstract: 本发明公开了一种儿童骨髓穿刺操作台,包括支架、台板及至少一条用于固定儿童穿刺体位的约束带,所述台板铺设于所述支架上,所述约束带沿所述台板的宽度方向布置并滑设于所述支架上,所述约束带的滑动方向与所述台板的长度方向相同。本发明具有能够安全有效的进行儿童骨髓穿刺,同时减少人力消耗及操作时间优点。

    一种对抗补丁生成方法
    39.
    发明公开

    公开(公告)号:CN113792806A

    公开(公告)日:2021-12-14

    申请号:CN202111090742.4

    申请日:2021-09-17

    Abstract: 本发明公开了对抗补丁生成方法,方法包括以下步骤:从数据集中获取有伪装目标的图片,随机初始化补丁;定义粘贴补丁的目标真实框和不粘贴补丁的其他真实框;按照不同大小的目标,将补丁以一定的比例进行缩放;将补丁根据目标真实框构建的锚框添加到伪装目标上;将粘贴对抗补丁的图片输入到检测网络,计算损失迭代更新对抗补丁,直到伪装目标不被检测网络检测出来。本发明实现重要地物目标的伪装,对抗补丁只要覆盖定向目标的一小部分,就使整个目标无法被检测到;将对抗补丁放置在定向目标的中心位置,隐藏定向目标在目标检测器中的决策特征,使得检测器中的预测框的置信度低于阈值,从而误导检测器的检测结果。

    一种遥感图像对抗样本的软阈值防御方法

    公开(公告)号:CN113269241A

    公开(公告)日:2021-08-17

    申请号:CN202110538070.2

    申请日:2021-05-18

    Applicant: 中南大学

    Abstract: 本发明公开了一种遥感图像对抗样本的软阈值防御方法,将正确分类的遥感图像和对抗样本保存在同一类验证集中,删除在验证集中不能正确分类的遥感图像;将原始图像作为正面样本,将对抗样本作为负面样本,对保存的验证集中的图像重新分类;结合分类的输出置信度,得到新数据集;在新数据集上训练一个逻辑回归模型;通过原始图像和对抗样本的决策边界获得输出置信度的阈值;将当前输入图像的输出置信度和所述防守软阈值相比较,判断当前输入图像是否是一个对抗样本。本发明可有效防守遥感图像场景分类问题中的对抗样本的攻击,卷积神经网络的愚弄率被降低到0。

Patent Agency Ranking