公开(公告)号：CN119027832A

公开(公告)日：2024-11-26

申请号：CN202411499186.X

申请日：2024-10-25

Applicant: 杭州电子科技大学

Inventor： 董健聪 ,  杨玲波 ,  张翰

IPC: G06V20/13 ,  G06V20/10 ,  G06V10/764 ,  G06V10/26 ,  G06V10/80

Abstract: 本发明公开了一种基于渐进迭代训练的大规模作物优化制图方法，包括如下步骤：从水稻遥感制图目标区域中选择初始训练区域，然后从初始训练区域中获取一定数量的离散样本；使用随机森林方法将离散样本扩展为空间连续样本区域，并利用该样本数据集训练深度学习模型，生成初步作物分类地图；对初步作物分类地图进行检验，找出误分类严重地区，并从中选择一定区域作为样本补充区域；根据区域误分类别选择完成负样本挖掘或者新的连续样本整理，并引入模型进行迭代训练，实现模型优化后用于大规模作物制图。本发明通过负样本挖掘和连续样本集成，提升模型对错误分类的敏感性，使其在不同地理环境和水稻种植类型下表现稳定，提高了分类结果的可靠性。

公开(公告)号：CN119027832B

公开(公告)日：2025-02-28

申请号：CN202411499186.X

申请日：2024-10-25

Applicant: 杭州电子科技大学

Inventor： 董健聪 ,  杨玲波 ,  张翰

IPC: G06V20/13 ,  G06V20/10 ,  G06V10/764 ,  G06V10/26 ,  G06V10/80

Abstract: 本发明公开了一种基于渐进迭代训练的大规模作物优化制图方法，包括如下步骤：从水稻遥感制图目标区域中选择初始训练区域，然后从初始训练区域中获取一定数量的离散样本；使用随机森林方法将离散样本扩展为空间连续样本区域，并利用该样本数据集训练深度学习模型，生成初步作物分类地图；对初步作物分类地图进行检验，找出误分类严重地区，并从中选择一定区域作为样本补充区域；根据区域误分类别选择完成负样本挖掘或者新的连续样本整理，并引入模型进行迭代训练，实现模型优化后用于大规模作物制图。本发明通过负样本挖掘和连续样本集成，提升模型对错误分类的敏感性，使其在不同地理环境和水稻种植类型下表现稳定，提高了分类结果的可靠性。