-
公开(公告)号：CN113313445A
公开(公告)日：2021-08-27
申请号：CN202110439928.X
申请日：2021-04-23
Applicant: 中国地质大学(武汉) , 唐颖哲
Abstract: 一种基于有源标签的自动化港口物流系统，包括中心调度系统、地图GIS系统和标签；所述标签包括无源标签和有源标签，港口内所有可移动物品上均固设有包含该物品属性信息的无源标签；所述有源标签包括北斗定位接收装置、无源标签信息读取装置和信息发播装置，所述有源标签可拆卸地设于港口内所有可移动物品上，有源标签和无源标签相结合组成可以自动发送空间定位信息的有源标签为基础建立自动化港口物流系统，实现了港口货物的空间精确定位与自动化运输，有效降低港口的建设和维护费用。
-
公开(公告)号：CN111934652B
公开(公告)日：2021-02-12
申请号：CN202011090713.3
申请日：2020-10-13
Applicant: 中国地质大学(武汉)
IPC: H03H21/00
Abstract: 本发明公开了一种面向水深提取的光子计数激光雷达自适应滤波算法，包括如下步骤：S1：自适应获取水面光子信号椭圆密度滤波参数，并根据水面光子信号椭圆密度滤波参数得到水下光子信号椭圆密度滤波参数；S2：确定水下光子信号滤波参数与光子信号高程值的关系；S3：对水面光子信号与水下光子信号进行滤波以及提取，获取连续的水深提取结果。
-
公开(公告)号：CN111812670B
公开(公告)日：2020-12-15
申请号：CN202010909738.5
申请日：2020-09-02
Applicant: 中国地质大学(武汉)
IPC: G01S17/88 , G01S7/487 , G01S7/4861 , G01S7/481 , G01S7/48
Abstract: 本发明提供了一种单光子激光雷达空间变换噪声判断、滤波方法及装置，涉及遥感测绘技术领域，包括：获取单光子激光雷达的原始点云数据；根据预设光子数量确定原始点云数据中的每个光子的初始邻域光子区域；对初始邻域光子区域内的光子进行空间PCA变换，确定不同方向的三个主分量矢量；根据三个主分量矢量构建空间中的立体椭圆；根据立体椭圆内和初始邻域光子区域内的光子数量判断原始点云数据中每个光子是否为噪声信号。本发明通过对空间中的每个光子点进行可变半径球体划分并进行空间PCA变换，构建空间立体椭圆；并根据空间立体椭圆和空间球体内光子数量的比值进行滤波，实现自动、快速、高精度的光子点云的有效数据提取。
-
公开(公告)号：CN104392236A
公开(公告)日：2015-03-04
申请号：CN201410773969.2
申请日：2014-12-15
Applicant: 中国地质大学(武汉)
CPC classification number: G06K9/4671 , G06T5/002 , G06T7/11 , G06T2207/20172
Abstract: 本发明属于数字图像处理与计算机图形学领域，尤其涉及一种非量测型相机无人机系统图像特征提取方法，具体包括以下步骤：读取非测量型相机无人机系统图像；对非测量型相机无人机系统图像进行灰度处理或中值处理，以进行去噪，得到灰度图像；对灰度图像进行分割，以得到图像提取结果；对图像提取结果进行邻域范围内的边界合并，以得到平滑校正的合并图像；存储合并图像。本发明提供的一种非量测型相机无人机系统图像特征提取方法，能够针对非量测型相机无人机系统图像进行特征提取和校正，对影像进行增强、特征分割和目标识别，从而使得图像变得真实可用。
-
公开(公告)号：CN102819023B
公开(公告)日：2014-09-17
申请号：CN201210265541.8
申请日：2012-07-27
Applicant: 中国地质大学(武汉)
IPC: G01S17/89
Abstract: 本发明公开了一种基于LiDAR的复杂地质背景区滑坡识别的方法及系统，其中方法包括以下步骤：S1、对LiDAR数据进行处理生成消除植被影响后裸地表的DEM数据；S2、提取传统的地貌特征参数以及计算纹理特征参数，生成特征参数文件；S3、确定最优特征参数组合；S4、获得满足预设精度条件的平衡系数；S5、计算平均用户精度、平均生产者精度和总体精度；S6、若满足精度要求，则使用边缘检测算子计算滑坡边界，实现滑坡识别。本发明的实现对数据需求少，可充分挖掘LiDAR-DEM数据在滑坡地形分析中的应用潜力；模型分类精度很高，能够实现复杂地质背景区滑坡边界的自动识别。
-
Patent Agency Ranking
公开(公告)号：CN119180979B
公开(公告)日：2025-05-13
申请号：CN202411001631.5
申请日：2024-07-25
Applicant: 中国地质大学(武汉) , 新疆生产建设兵团自然资源卫星应用技术中心(兵团自然资源基础数据中心)
IPC: G06V10/764 , G06V10/774 , G06V20/13 , G06V20/17 , G06V10/44
Abstract: 本发明提供了一种基于特征交互和场景‑语义协同的矿山占地模型训练方法，涉及深度学习技术领域，该方法包括：获取场景分类数据集，其中，场景分类数据集包括多个遥感图像；将遥感图像输入初始训练模型，得到预测结果，根据预测结果得到损失值，通过损失值对初始训练模型进行调优，得到矿山占地模型；初始训练模型包括特征提取模块和特征交互模块，通过特征提取模块对遥感图像进行特征提取，得到浅层特征数据和深层特征数据；通过特征交互模块将浅层特征数据和深层特征数据，通过自注意力机制进行任务交互处理，得到目标特征数据，目标特征数据用于得到预测结果。本发明提高现有模型在矿山占地任务中，面对不同任务的差异时的数据特征处理能力。
-
公开(公告)号：CN118552786A
公开(公告)日：2024-08-27
申请号：CN202410703996.6
申请日：2024-06-03
Applicant: 中国地质大学(武汉)
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V20/10 , G06V10/82 , G06N3/09
Abstract: 本发明提供了一种分类模型的训练方法、高光谱图像分类方法、装置及设备，涉及遥感图像处理技术领域，分类模型的训练方法包括对处理后的高光谱图像顺次应用空间自注意和光谱自注意，生成空间光谱特征数据令牌；对所述空间光谱特征数据令牌分别进行重构和对比多视图学习，生成重构损失和对比损失；基于所述重构损失和所述对比损失，训练分类模型，得到预训练模型；基于所述预训练模型，根据所述高光谱图像和对应标签，生成交叉熵损失，并根据所述交叉熵损失，微调所述预训练模型，得到最终分类模型。本发明不仅不需要大量的样本数据，还会更好的训练模型，极大地提高分类模型的精度。
-
公开(公告)号：CN117689960B
公开(公告)日：2024-04-26
申请号：CN202410134343.0
申请日：2024-01-31
Applicant: 中国地质大学(武汉)
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种岩性场景分类模型构建方法及分类方法，涉及图像处理技术领域，岩性场景分类模型构建方法包括获取地质遥感影像，构建数据集；根据数据集，训练初始分类模型，得到岩性场景分类模型，其中，初始分类模型包括场景分类子模型、语义分割子模型以及结果融合模块，场景分类子模型用于根据地质遥感影像输出第一分类图，语义分割子模型用于根据地质遥感影像输出第二分类图，结果融合模块用于融合第一分类图和第二分类图，生成岩性场景分类图；场景分类子模型包括特征提取模块、通道特征增强模块、上下文特征增强模块以及输出模块。通过数据集对初始分类模型不断训练，得到的岩性场景分类模型可提高岩性场景分类的精度。
-
公开(公告)号：CN117689960A
公开(公告)日：2024-03-12
申请号：CN202410134343.0
申请日：2024-01-31
Applicant: 中国地质大学(武汉)
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种岩性场景分类模型构建方法及分类方法，涉及图像处理技术领域，岩性场景分类模型构建方法包括获取地质遥感影像，构建数据集；根据数据集，训练初始分类模型，得到岩性场景分类模型，其中，初始分类模型包括场景分类子模型、语义分割子模型以及结果融合模块，场景分类子模型用于根据地质遥感影像输出第一分类图，语义分割子模型用于根据地质遥感影像输出第二分类图，结果融合模型用于融合第一分类图和第二分类图，生成岩性场景分类图；场景分类子模型包括特征提取模块、通道特征增强模块、上下文特征增强模块以及输出模块。通过数据集对初始分类模型不断训练，得到的岩性场景分类模型可提高岩性场景分类的精度。
-
公开(公告)号：CN116704363B
公开(公告)日：2024-01-26
申请号：CN202310573394.9
申请日：2023-05-22
Applicant: 中国地质大学(武汉)
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于深度学习模型的土地覆盖分类方法及装置，涉及遥感信息技术领域，深度学习模型包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块；对抗学习模块用于根据获取的遥感多光谱数据的源域数据以及目标域数据，生成相似目标域数据和相似源域数据；对比学习模块用于处理源域数据、目标域数据、相似目标域数据和相似源域数据，获得源域光谱特征和目标域光谱特征；图卷积神经网络模块用于处理源域光谱特征和目标域光谱特征，得到土地覆盖分类信息；输出模块用于解码土地覆盖分类信息，得到土地覆盖分类结果。通过对抗学习模块、对比学习模块和图卷积(56)对比文件Diya Zhang 等.Three-Stream and DoubleAttention-Based DenseNet-BiLSTM for FineLand Cover Classification of ComplexMining Landscapes《.Sustainability》.2022,全文.潘少明;王玉杰;种衍文.基于图卷积神经网络的跨域行人再识别.华中科技大学学报(自然科学版).2020,(09),全文.
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.034 seconds)
