-
公开(公告)号：CN114913434B
公开(公告)日：2024-06-11
申请号：CN202210622122.9
申请日：2022-06-02
Applicant: 大连理工大学
IPC: G06V20/13 , G06V10/80 , G06V10/82 , G06V10/46 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 一种基于全局关系推理的高分辨率遥感影像变化检测方法：首先，通过预先训练的编码器提取双时相遥感影像的多尺度特征；其次，使用全局关系推理模块分别对每个尺度特征进行区域间的关系推理；最后，建立多尺度特征融合的解码器，并通过语义分割头生成最终的变化检测结果。本发明除了在堆叠的卷积层获取局部信息之外，还充分考虑可以表示变化对象之间内在联系的全局语义信息，此外，本方法为编码器‑解码器的网络结构，能够实现细节信息恢复，有效削弱背景噪声的干扰，减少误检的现象。本发明充分利用遥感影像的多尺度信息及全局语义信息，生成具有分辨效力的划分特征，有效提高变化检测精度，具有广阔的应用前景。
-
公开(公告)号：CN114004163B
公开(公告)日：2024-05-10
申请号：CN202111299418.3
申请日：2021-11-04
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/10 , G06F17/18 , G06F18/214
Abstract: 本发明属于遥感影像处理技术领域，提出了一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。利用多种辅助数据，建立AOD和辅助数据之间的关系，利用机器学习方法对AOD缺失值部分进行填补，减少了缺失值带来的反演不确定性，增加了反演精度。对数据进行高度订正和湿度订正，减少了高度和湿度带来的误差。使用长短时记忆网络进行PM2.5浓度反演，考虑了时间和空间的依赖关系，大大提高了反演精度。
-
公开(公告)号：CN116562441A
公开(公告)日：2023-08-08
申请号：CN202310520943.6
申请日：2023-05-10
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/2113 , G06F18/2115 , G06F18/213 , G06F18/214 , G06F18/27 , G06F18/21
Abstract: 一种基于补充泄漏积分回声状态网络的空气质量预测方法，属于时间序列预测领域。首先，收集空气质量序列，采用最小冗余最大相关性方法对空气质量序列进行特征选择，确定输入特征的排序结果，选择出最优的输入特征子集；其次，对最优的输入特征子集进行相空间重构，形成新的特征输入集；再次，将特征输入集分成训练集和测试集，在训练集上使用岭回归算法训练补充漏积分器回声状态网络模型，训练完毕得到最佳预测模型，在测试集上进行PM2.5时间序列进行预测输出；最后，利用评价指标度量模型的预测精度。本发明不仅增强了储备池对多元时间序列的特征提取和记忆能力，而且改善了历史演化状态对当前状态的影响。在实际应用中，准确的序列预测有助于监测空气质量，对大气污染防治做出合理、科学的决策。
-
公开(公告)号：CN114004163A
公开(公告)日：2022-02-01
申请号：CN202111299418.3
申请日：2021-11-04
Applicant: 大连理工大学
Abstract: 本发明属于遥感影像处理技术领域，提出了一种基于MODIS和长短时记忆网络模型的PM2.5反演方法。利用多种辅助数据，建立AOD和辅助数据之间的关系，利用机器学习方法对AOD缺失值部分进行填补，减少了缺失值带来的反演不确定性，增加了反演精度。对数据进行高度订正和湿度订正，减少了高度和湿度带来的误差。使用长短时记忆网络进行PM2.5浓度反演，考虑了时间和空间的依赖关系，大大提高了反演精度。
-
公开(公告)号：CN111080529A
公开(公告)日：2020-04-28
申请号：CN201911338858.8
申请日：2019-12-23
Applicant: 大连理工大学
Abstract: 一种加强鲁棒性的无人机航拍图像拼接方法，属于图像处理技术领域。步骤为：S1输入两幅具有重叠区域的航拍图像，进行预处理；S2使用SUR特征检测算法处理航拍图像，得到航拍图像特征点；S3利用长距离FREAK算法对检测到的特征点进行特征描述，提取航拍图像特征；S4通过基于K近邻算法对提取的航拍图像特征进行匹配；S5利用随机抽样一致算法对匹配后的特征点对进行提纯，计算参考图像与待拼接图像之间的变换矩阵模型参数；S6使用坐标变换矩阵处理待拼接图像，采用加权平均融合方法完成航拍图像拼接工作。本发明拼接效果良好，对旋转变化较大的航拍图像具有更强的鲁棒性，同时相比其他经典算法综合性能更优，可以满足航拍图像拼接的实际要求。
-
Patent Agency Ranking
公开(公告)号：CN111161229A
公开(公告)日：2020-05-15
申请号：CN201911334091.1
申请日：2019-12-23
Applicant: 大连理工大学
Abstract: 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法，主要针对监督变化检测需要人为收集样本以及直接对差异图处理获得变化检测图出现的“椒盐”噪声等缺点。实现步骤：(1)图像读入；(2)差异图生成；(3)感兴趣区域提取；(4)候选样本提取；(5)训练和待分类样本生成；(6)稀疏自编码网络学习；(7)变化检测结果生成。本发明采用几何主动轮廓模型自动提取差异图的感兴趣区域作为候选样本集，并利用模糊C均值聚类生成训练样本和待分类样本。稀疏自编码网络通过学习样本的差异表示对待分类样本进行分类，最后通过标签融合得到变化检测图。整个变化检测过程结合无监督和监督的优势，避免了人为收集训练样本的流程，降低了“椒盐”噪声，提高变化检测精度。
-
公开(公告)号：CN116824359A
公开(公告)日：2023-09-29
申请号：CN202310483693.3
申请日：2023-05-04
Applicant: 大连理工大学
IPC: G06V20/10 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明属于遥感影像处理技术领域，提供一种基于差异增强与注意力模块的遥感影像变化检测方法。步骤如下：(1)对双时相遥感影像进行预处理；(2)通过权值共享的APC单元组成图像差异增强模块并生成各级图像差异特征；(3)编码器接收来自图像差异增强模块的辅助特征，生成各级编码器特征；(4)解码器逐级解码特征；(5)最后一层解码器特征通过3×3卷积生成最终的变化检测结果。本发明能够充分利用遥感影像的差异信息，挖掘特征中的深度特征，有效提高变化检测精度，具有广阔的应用前景。
-
公开(公告)号：CN111161229B
公开(公告)日：2022-11-18
申请号：CN201911334091.1
申请日：2019-12-23
Applicant: 大连理工大学
IPC: G06T7/00 , G06V10/25 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/08
Abstract: 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法，主要针对监督变化检测需要人为收集样本以及直接对差异图处理获得变化检测图出现的“椒盐”噪声等缺点。实现步骤：(1)图像读入；(2)差异图生成；(3)感兴趣区域提取；(4)候选样本提取；(5)训练和待分类样本生成；(6)稀疏自编码网络学习；(7)变化检测结果生成。本发明采用几何主动轮廓模型自动提取差异图的感兴趣区域作为候选样本集，并利用模糊C均值聚类生成训练样本和待分类样本。稀疏自编码网络通过学习样本的差异表示对待分类样本进行分类，最后通过标签融合得到变化检测图。整个变化检测过程结合无监督和监督的优势，避免了人为收集训练样本的流程，降低了“椒盐”噪声，提高变化检测精度。
-
公开(公告)号：CN114913434A
公开(公告)日：2022-08-16
申请号：CN202210622122.9
申请日：2022-06-02
Applicant: 大连理工大学
Abstract: 一种基于全局关系推理的高分辨率遥感影像变化检测方法：首先，通过预先训练的编码器提取双时相遥感影像的多尺度特征；其次，使用全局关系推理模块分别对每个尺度特征进行区域间的关系推理；最后，建立多尺度特征融合的解码器，并通过语义分割头生成最终的变化检测结果。本发明除了在堆叠的卷积层获取局部信息之外，还充分考虑可以表示变化对象之间内在联系的全局语义信息，此外，本方法为编码器‑解码器的网络结构，能够实现细节信息恢复，有效削弱背景噪声的干扰，减少误检的现象。本发明充分利用遥感影像的多尺度信息及全局语义信息，生成具有分辨效力的划分特征，有效提高变化检测精度，具有广阔的应用前景。
-
公开(公告)号：CN116822704A
公开(公告)日：2023-09-29
申请号：CN202310526152.4
申请日：2023-05-10
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/0455 , G06N3/045 , G06N3/084 , G06N3/08
Abstract: 一种基于LSTM‑Autoencoder模型的空气质量预测方法，针对现有的数据驱动方法往往忽略城市多个站点之间的动态关系，且无法在统一的预测框架中同时对PM2.5时间序列和气象数据进行建模，导致预测精度不理想。为此，提出LSTM‑Autoencoder多任务学习模型来预测城市范围内的PM2.5时间序列。首先，采用多层LSTM网络对污染物浓度时空序列进行特征学习得到特征向量，模拟出城市空气污染颗粒的时空特征。其次，采用堆叠式自编码器对气象时间序列编码，建立气象信息的特征向量，利用各监测站的气象信息，为PM2.5时间序列预测提供重要辅助信息。最后，对特征向量统一表示，利用多任务学习自动发现多个关键污染物时间序列之间的动态关系，解决传统数据驱动方法建模过程中多站点信息利用不足的问题。仿真结果表明该方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
