-
公开(公告)号：CN110930343A
公开(公告)日：2020-03-27
申请号：CN201911153419.X
申请日：2019-11-22
Applicant: 南京信息工程大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于SR-MDCNN的遥感图像融合方法，属于人工智能图像融合领域，首先将获取到的遥感图像进行均匀分割，使图片的尺寸满足网络设定的输入图像；接下来将裁剪后的图像进行双三次插值再下采样得到低质量图像，将低质量图像作为输入，高质量图像作为目标图像的标签制作训练数据集，将图像输入超分辨率多尺度空洞卷积神经网络的遥感图像进行训练；在网络模型loss值达到预期要求后导出模型；再将测试集图片输入到训练好的模型中，根据模型的输出得到高质量的多光谱图像，最后使用SFIM算法对高质量的多光谱图像和全色图像进行融合，优点在于借助了卷积神经网络处理图像的准确性和稳定性，相较于传统的图像融合算法，该网络模型具有较好的融合效果。
-
公开(公告)号：CN111797712B
公开(公告)日：2023-09-15
申请号：CN202010545643.X
申请日：2020-06-16
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V10/774 , G06T7/00 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464
Abstract: 本发明公开了一种基于多尺度特征融合网络的遥感影像云与云阴影检测方法，通过构建包括多个遥感影像图片的训练集，制作训练集的遥感影像图片中各个像素点的标签，使标签形成与遥感影像图片对应的掩模图像，将掩模图像和遥感影像图片输入监督网络进行训练，在监督网络的代价函数损失收敛、趋于平稳，且训练集的各项指标均取得最高值时，经过50个epoch保存最优模型并自动停止训练，得到检测模型，采用检测模型测试集中的待测图像进行云与云阴影检测，以快速高效地对待测图像中的云与云阴影进行相应检测，可以提高相应检测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108614997B
公开(公告)日：2021-05-11
申请号：CN201810300859.2
申请日：2018-04-04
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于改进AlexNet的遥感图像识别方法，属于人工智能图片分类领域，本发明先对遥感图像进行均匀裁剪，将裁剪后的图像分为训练集和验证集；将训练集输入改进AlexNet网络进行训练，生成训练后的网络模型：通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；将经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；将待勘测图像输入生成的网络模型，得到遥感图像分类结果。本发明借助了卷积神经网络处理大量图片的准确性和稳定性，相较于传统的图片分类算法，该网络模型具有较高的识别率。
-
公开(公告)号：CN111797712A
公开(公告)日：2020-10-20
申请号：CN202010545643.X
申请日：2020-06-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于多尺度特征融合网络的遥感影像云与云阴影检测方法，通过构建包括多个遥感影像图片的训练集，制作训练集的遥感影像图片中各个像素点的标签，使标签形成与遥感影像图片对应的掩模图像，将掩模图像和遥感影像图片输入监督网络进行训练，在监督网络的代价函数损失收敛、趋于平稳，且训练集的各项指标均取得最高值时，经过50个epoch保存最优模型并自动停止训练，得到检测模型，采用检测模型测试集中的待测图像进行云与云阴影检测，以快速高效地对待测图像中的云与云阴影进行相应检测，可以提高相应检测结果的准确性。
-
公开(公告)号：CN109934200B
公开(公告)日：2023-06-23
申请号：CN201910221849.4
申请日：2019-03-22
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V10/44 , G06V10/774
Abstract: 本发明公开了一种基于改进M‑Net的RGB彩色遥感图像云检测方法，属于人工智能和图像识别领域，设计了RM‑Net深度语义分割网络，结合了残差网络与M‑Net的优点。首先，对原始数据集进行增强，并标注对应的像素级标签；利用空洞空间金字塔池化在不丢失信息的前提下提取图像多尺度特征，并结合残差单元使网络不易出现退化；最后，利用编码器模块与左路径提取图像全局上下文信息，解码器模块与右路径恢复图像空间分辨率，根据融合后的特征判别每个像元的类别概率，输入分类器进行像素级的云和非云分割。对彩色图像进行训练和测试，实验结果表明本发明方法在不同条件下可很好地检测云边缘细节，并取得较高精度的云阴影检测，证明了本发明方法具有较好的泛化性与鲁棒性。
-
公开(公告)号：CN109934200A
公开(公告)日：2019-06-25
申请号：CN201910221849.4
申请日：2019-03-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于改进M-Net的RGB彩色遥感图像云检测方法，属于人工智能和图像识别领域，设计了RM-Net深度语义分割网络，结合了残差网络与M-Net的优点。首先，对原始数据集进行增强，并标注对应的像素级标签；利用空洞空间金字塔池化在不丢失信息的前提下提取图像多尺度特征，并结合残差单元使网络不易出现退化；最后，利用编码器模块与左路径提取图像全局上下文信息，解码器模块与右路径恢复图像空间分辨率，根据融合后的特征判别每个像元的类别概率，输入分类器进行像素级的云和非云分割。对彩色图像进行训练和测试，实验结果表明本发明方法在不同条件下可很好地检测云边缘细节，并取得较高精度的云阴影检测，证明了本发明方法具有较好的泛化性与鲁棒性。
-
公开(公告)号：CN108614997A
公开(公告)日：2018-10-02
申请号：CN201810300859.2
申请日：2018-04-04
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于改进AlexNet的遥感图像识别方法，属于人工智能图片分类领域，本发明先对遥感图像进行均匀裁剪，将裁剪后的图像分为训练集和验证集；将训练集输入改进AlexNet网络进行训练，生成训练后的网络模型：通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；将经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；将待勘测图像输入生成的网络模型，得到遥感图像分类结果。本发明借助了卷积神经网络处理大量图片的准确性和稳定性，相较于传统的图片分类算法，该网络模型具有较高的识别率。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
