-
公开(公告)号：CN118968171A
公开(公告)日：2024-11-15
申请号：CN202411056523.8
申请日：2024-08-02
Applicant: 安徽大学 , 安徽省气象科学研究所(安徽省生态气象和卫星遥感中心、安徽省农业气象中心)
IPC: G06V10/764 , G06V20/10 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了顾及全局一致性和边缘特异性的遥感影像农作物分类方法，涉及图像处理技术领域，本发明利用频谱域特征学习提升深度学习网络对作物复杂特征的捕捉能力，采用傅里叶变换策略和自适应的动态滤波器构建AFSF模块，设计一种基于傅里叶频谱域学习的卷积神经网络FSEU‑Net，方法包括：高时间分辨率遥感影像的获取及预处理，农作物样本集制作，训练卷积神经网络模型，自适应动态滤波模块，模型测试并实现农作物分类结果输出。本发明提升了不同农作物类间差异与缩小相同作物类内差异，增强农作物间的可分离度，提高模型的性能，为全球土地面积的智能化农业生产准确统计提供一种有效的技术支撑。
-
公开(公告)号：CN118470537A
公开(公告)日：2024-08-09
申请号：CN202410663502.6
申请日：2024-05-27
Applicant: 安徽大学 , 安徽省测绘档案资料馆(安徽省基础测绘信息中心)
IPC: G06V20/10 , G06V10/764 , G06V10/776 , G06V10/82 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明属于遥感信息提取技术领域，具体涉及一种基于多特征融合的遥感语义变化检测方法。本发明提出了一种新型遥感语义变化检测孪生卷积网络；首先，为了增强对类内和类间差异相关的评估和感知能力，引入了一个差异特征增强模块。该模块全面地从时间维度捕获特征。接着，为了解决多时序和多层次特征之间的相互关系，研究了特征选择交互模块和模块，实现了变化特征的多维深度融合和交互。这增强了多时序遥感图像内特征之间的信息传递和整合能力。最终，从“感知‑分析‑提取”角度出发，实现了高分辨率遥感影像的语义变化检测，进一步提升了遥感语义变化检测的准确性和实用性，具有重要的研究价值。
-
公开(公告)号：CN116343046A
公开(公告)日：2023-06-27
申请号：CN202310352345.2
申请日：2023-04-04
Applicant: 安徽大学 , 安徽省生态环境监测中心(安徽省重污染天气预报预警中心)
Abstract: 本发明属于卫星遥感数据和无人机数据处理技术领域，具体涉及一种基于自优化机器学习的多源遥感城市河流水质监测方法，本发明以“如何利用机器学习方法，解决简单地面点数据与遥感数据之间复杂的非线性关系这一非常重要的问题”为核心，通过特征增强和特征重要度排序方法进一步提高输入模型的波段组合。同时，将无人机反演结果作为真实水质浓度以此来扩充卫星反演的样本数量和质量，提高卫星影像反演质量的同时弥补了无人机反演水质时范围受限的问题；从少量样本下利用模拟退火算法自动优化机器学习的众多参数，减少了模型的训练时间，实现了顾及空间映射机制的多源遥感水质反演新方法。
-
公开(公告)号：CN114330530A
公开(公告)日：2022-04-12
申请号：CN202111597460.3
申请日：2021-12-24
Applicant: 安徽大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01N21/3577
Abstract: 本发明涉及水质参数遥感反演领域，公开了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，通过获取相同日期MODIS和Sentinel‑2数据，经过预处理，得到样本数据集；构建面向叶绿素a浓度反演的MODIS和Sentinel‑2空‑谱融合深度学习网络，并耦合光谱响应函数、影像退化模型等物理约束，从而获得具有MODIS光谱分辨率和Sentinel‑2空间分辨率的融合数据，为叶绿素a浓度反演提供高空谱分辨率数据源；结合实地采样数据与融合的高空谱分辨率数据，在梯度提升树等机器学习的水质反演算法下验证融合的有效性，结果表明本处理方法有效提高了叶绿素a浓度的反演精度。
-
公开(公告)号：CN109145730B
公开(公告)日：2021-08-13
申请号：CN201810770020.5
申请日：2018-07-13
Applicant: 安徽大学
Abstract: 本发明公开了目标自动检测和深度学习技术领域的一种遥感影像中矿区自动语义分割方法，其特征在于：所述具体步骤如下：步骤一、建立训练样本集：获取矿区的遥感影像，并人工勾绘出矿区的边界，形成边界栅格文件，利用ArcGIS生成448*448、512*512两种尺度的渔网，采用生成的两种所述渔网对所述矿区的遥感影像进行批量裁剪，生成不同尺寸的影像块，作为深度学习网络的输入数据，通过所述渔网对影像中的矿区栅格边界文件进行裁剪，生成每个矿区影像块对应的边界文件，作为网络的标签数据；本发明通过混合网络Den‑Res Net在保留特征完整性的同时能够对提取的特征进行高度抽象，可以采用其解决Dense Net网络的特征冗余问题，工作效率高，能够自动的进行语义分隔，准确度高。
-
Patent Agency Ranking
公开(公告)号：CN110110621A
公开(公告)日：2019-08-09
申请号：CN201910329481.3
申请日：2019-04-23
Applicant: 安徽大学
Abstract: 本发明公开了摄影测量数据处理技术领域的基于多特征整合深度学习模型的倾斜摄影点云分类方法，首先，通过研究顾及视觉注意力机制的点云分类优化，实现点云立体视觉注意特征分析方法，以及基于深度学习的立体目标视觉注意力评估方法，并进行识别目标注意力强弱评估与排序；其次，利用立体视觉注意力机制，对待识别的倾斜摄影点云进行点云过滤，开展点云初级特征描述及自学习子模型研究；最后，经过点云场景相对于待识别目标的视觉注意力机制过滤后的点云作为待识别点云；本发明在应用上，取得具有实用价值的倾斜摄影实景点云分类技术，以期切实地推进倾斜摄影应用由“可视化”向“可计算”方向发展。
-
公开(公告)号：CN106097412A
公开(公告)日：2016-11-09
申请号：CN201610410698.3
申请日：2016-06-03
IPC: G06T11/20
CPC classification number: G06T11/203
Abstract: 本发明公开了一种基于弯曲层次树的曲线曲折度描述方法，涉及地理信息科学技术领域，包括于粘连变换进行地理曲线综合得到曲线的弯曲多边形、叠置分析判断弯曲多边形的归属和建立最大尺度下每一弯曲对应的层次树和建立整个曲线的弯曲层次树四个步骤；本发明通过控制粘连变换宽度识别不同尺度下的弯曲单元，建立弯曲层次树，以弯曲表示树的结点，层次结构表示不同尺度下弯曲单元的拓扑结构；本发明较完整地展现了曲线的部分与整体曲折度，同时较为全面地考虑了弯曲不同层次间的嵌套关系，克服了现有技术的缺陷，可以较好地描述曲线曲折度，全面地反映曲线的形态和结构特征，对地理特征的研究具有重要意义。
-
公开(公告)号：CN120088616A
公开(公告)日：2025-06-03
申请号：CN202510155940.6
申请日：2025-02-12
Applicant: 安徽大学
IPC: G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/08 , G06V10/80
Abstract: 本发明公开了面向遥感影像变化检测的轻量化特征平滑组注意力网络，涉及遥感信息提取技术领域，首先，设计了组卷积通道自注意力，将输入特征沿通道维度划分为小窗口；其次，设计了一个双特征融合模块来过滤和重构多尺度特征，从而平滑卷积核之间的差异，增强模型的泛化能力；本发明解决了CNN和Transformer在全局‑局部特征提取中的交互能力限制和计算成本问题，在应用上，取得具有实用价值的遥感目标检测技术，以期切实地推进遥感影像中目标地物监测的应用与发展。
-
公开(公告)号：CN120088551A
公开(公告)日：2025-06-03
申请号：CN202510160235.5
申请日：2025-02-13
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06V10/44 , G06V10/42
Abstract: 本发明公开了一种联合全局‑局部多阶深浅层特征的景观格局分类方法，涉及摄影测量数据处理技术领域，首先在编码器和解码器之间引入深浅层特征交叉融合模块缓解Swin Transformer生成的不同层级特征间的语义差距，通过在解码器部分引入三个全局‑局部注意力模块聚合全局上下文信息和局部细节信息，加强对类内特征一致性和类间特征差异性的判识。本发明充分利用CNN和Swin Transformer二者在局部和全局信息提取方面的优势，聚合全局上下文信息和局部细粒度信息，改善了复杂景观格局场景下地物类别间光谱特征相似性和类内差异性的问题，对生态系统动态监测具有重要意义。
-
公开(公告)号：CN120032267A
公开(公告)日：2025-05-23
申请号：CN202510113827.1
申请日：2025-01-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/776 , G06V10/80 , G06V10/26 , G06V10/82 , G06N3/0464
Abstract: 本发明属于遥感信息提取技术领域，具体涉及一种基于高分辨率遥感影像的耕地信息高精度提取方法。本发明基于特征密集叠置融合和信息同质强化，可提高遥感耕地提取精度。首先收集已有的遥感耕地提取样本构建样本库，并在此基础上，通过应用特征密集叠加融合模块，快速实现不同尺度信息的提取和密集融合，提升模型对全局一致性和局部特征的表达。并利用信息同质强化模块将底层和高层之间的信息交互，提升不同分支的特征信息的融合，实现耕地内部特征的一致化表达和边缘特征的差异性强化，提高遥感耕地提取的精度。在应用上，取得具有实用价值的遥感耕地提取技术，以期切实地推进遥感图像中地物提取的应用与发展。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.077 seconds)
