-
公开(公告)号：CN116310581A
公开(公告)日：2023-06-23
申请号：CN202310320119.6
申请日：2023-03-29
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/13 , G06N3/04 , G06N3/088
Abstract: 本发明公开了一种半监督变化检测洪涝识别方法，包括步骤如下：S1，对获取的哨兵一号影像对进行预处理，制作洪涝变化水体标签；S2，构建半监督变化检测网络；S3，计算无监督损失和有监督损失的总损失，利用深度学习框架自动计算监督学习网络中各参数的梯度，利用优化器优化参数，满足设定条件，保存验证精度最高的监督学习网络的网络参数；S4，将洪涝受灾区的洪涝前后哨兵一号影像对输入完成训练的半监督变化检测网络，得到洪涝变化水体预测结果。本发明实现在大量无标签影像对中学习洪涝水体特征，使监督学习网络仅需要很少的标签数据，就能较好的洪涝识别效果、得到较高的识别精度等评价指标，节省了大量人工标注所消耗的时间与资源。
-
公开(公告)号：CN114579546A
公开(公告)日：2022-06-03
申请号：CN202210160575.4
申请日：2022-02-22
Applicant: 南京信息工程大学
IPC: G06F16/215 , G06F16/25 , G06F16/29 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于多变量对抗生成网络的地理大数据缺值补入方法，基于多变量对抗生成网络，创新性地引入循环神经网络模块对多变量地理数据包含的时间特征进行学习，创新性地引入图神经网络模块学习多变量地理数据之间的物理关联关系，对损失函数进行改进来获得更加接近原始数据的完整多变量地理数据集，其能够为相关人文社科与自然科学的研究提供最基础的数据支持。
-
Patent Agency Ranking
公开(公告)号：CN114547017A
公开(公告)日：2022-05-27
申请号：CN202210450508.6
申请日：2022-04-27
Applicant: 南京信息工程大学
IPC: G06F16/215 , G06F16/2458 , G06F16/29 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的气象大数据融合方法，包括：构建得到多源气象数据样本；根据不同气候变量的原始分辨率，以最大化信息保留效率为约束，选取相应的超分倍数，得到优化后的超分辨率模块；采用聚焦式注意力机制构建时空注意力模块，根据不同气候变量的周期性特点，选择相应的时间步长；结合优化后的超分模型和时空注意力模块，构建得到气象数据融合模型；以气候变量的分辨率最小为损失函数，采用多源气象数据样本对气象数据融合模型进行训练；将采集到的多个数据源的实时气象数据导入训练完成的气象数据融合模型，得到高分辨率的融合气象数据。本发明能够解决多源气象数据分辨率差异的问题。
-
公开(公告)号：CN117876877A
公开(公告)日：2024-04-12
申请号：CN202410099491.3
申请日：2024-01-24
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种遥感变化检测方法、系统、设备和存储介质，属于遥感图像处理领域，包括：基于孪生残差编码器对双时相遥感图像进行特征提取，得到若干不同尺度的特征对；将不同尺度的特征对进行像元混合处理，得到混合像元特征对；将混合像元特征对进行前景背景分离，得到提取前景后的特征对，并计算提取前景后的特征对的差分特征；对混合像元特征进行注意力处理，得到注意力特征；将注意力特征和差分特征融合得到融合特征；本申请提出的像元混合和前景背景差分处理实现了有效的前景背景分离效果，可以显著抑制非目标地物变化像元对检测结果的影响，能够改善由于双时相高分辨率遥感图像无关背景变化、光照差异导致的变化检测精度不佳问题。
-
公开(公告)号：CN119399314B
公开(公告)日：2025-05-16
申请号：CN202411977076.X
申请日：2024-12-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于遥感影像和深度学习超分算法的湿地精细化制图方法，首先，获取研究区高、低分辨率遥感影像，对其预处理后，将高分辨率湿地样本与低分辨率影像配对，得到高分辨率湿地数据集；其次，获取土地覆盖数据并提取湿地信息得到低分辨率湿地数据集；然后，将低、高分辨率湿地数据集输入基于卷积块注意力模块的卷积变换超分网络重建特征，并利用基于Scharr卷积和快速傅里叶卷积的U‑Net架构进行分割；接着，针对湿地制图任务，设计三种损失函数的加权损失函数，从图像细节、时序和图像一致性提高湿地制图精度；最后，经评估选最优模型用于湿地精细化制图，从而提升湿地精细化制图精度，为各领域的湿地研究提供有力支持。
-
公开(公告)号：CN114547017B
公开(公告)日：2022-08-05
申请号：CN202210450508.6
申请日：2022-04-27
Applicant: 南京信息工程大学
IPC: G06F16/215 , G06F16/2458 , G06F16/29 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的气象大数据融合方法，包括：构建得到多源气象数据样本；根据不同气候变量的原始分辨率，以最大化信息保留效率为约束，选取相应的超分倍数，得到优化后的超分辨率模块；采用聚焦式注意力机制构建时空注意力模块，根据不同气候变量的周期性特点，选择相应的时间步长；结合优化后的超分模型和时空注意力模块，构建得到气象数据融合模型；以气候变量的分辨率最小为损失函数，采用多源气象数据样本对气象数据融合模型进行训练；将采集到的多个数据源的实时气象数据导入训练完成的气象数据融合模型，得到高分辨率的融合气象数据。本发明能够解决多源气象数据分辨率差异的问题。
-
公开(公告)号：CN119399314A
公开(公告)日：2025-02-07
申请号：CN202411977076.X
申请日：2024-12-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于遥感影像和深度学习超分算法的湿地精细化制图方法，首先，获取研究区高、低分辨率遥感影像，对其预处理后，将高分辨率湿地样本与低分辨率影像配对，得到高分辨率湿地数据集；其次，获取土地覆盖数据并提取湿地信息得到低分辨率湿地数据集；然后，将低、高分辨率湿地数据集输入基于卷积块注意力模块的卷积变换超分网络重建特征，并利用基于Scharr卷积和快速傅里叶卷积的U‑Net架构进行分割；接着，针对湿地制图任务，设计三种损失函数的加权损失函数，从图像细节、时序和图像一致性提高湿地制图精度；最后，经评估选最优模型用于湿地精细化制图，从而提升湿地精细化制图精度，为各领域的湿地研究提供有力支持。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
