-
公开(公告)号：CN115049936A
公开(公告)日：2022-09-13
申请号：CN202210965865.6
申请日：2022-08-12
Applicant: 武汉大学 , 深圳市规划和自然资源数据管理中心
Abstract: 本发明涉及遥感影像语义分割技术领域，公开一种面向高分遥感影像的边界增强型语义分割方法，该方法包括：预处理高分辨率遥感影像数据，获取边界标签数据和相应训练数据集；搭建面向高分遥感影像语义分割的边界增强型双流网络模型，包括含有多尺度特征提取模块、混合空洞卷积模块的语义分割分流网络与边缘检测分流网络，通过复用编码器特征和多级信息融合模块实现特征深度耦合；基于训练数据集和复合损失函数完成双流网络语义分割模型的双任务监督训练；利用双流网络模型重叠推理测试样本集中高分遥感影像，并通过着色处理完成语义分割。本发明有效地改善了语义分割边界模糊、类内不连续、类间不可分等问题，显著地提高了语义分割性能。
-
公开(公告)号：CN115049936B
公开(公告)日：2022-11-22
申请号：CN202210965865.6
申请日：2022-08-12
Applicant: 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) , 武汉大学
Abstract: 本发明涉及遥感影像语义分割技术领域，公开一种面向高分遥感影像的边界增强型语义分割方法，该方法包括：预处理高分辨率遥感影像数据，获取边界标签数据和相应训练数据集；搭建面向高分遥感影像语义分割的边界增强型双流网络模型，包括含有多尺度特征提取模块、混合空洞卷积模块的语义分割分流网络与边缘检测分流网络，通过复用编码器特征和多级信息融合模块实现特征深度耦合；基于训练数据集和复合损失函数完成双流网络语义分割模型的双任务监督训练；利用双流网络模型重叠推理测试样本集中高分遥感影像，并通过着色处理完成语义分割。本发明有效地改善了语义分割边界模糊、类内不连续、类间不可分等问题，显著地提高了语义分割性能。
-
公开(公告)号：CN119151027A
公开(公告)日：2024-12-17
申请号：CN202410975281.6
申请日：2024-07-19
Applicant: 中国地质大学(武汉) , 武汉大学
IPC: G06Q10/04 , G06Q50/26 , G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及地质灾害预测领域，公开了一种未来情景下的滑坡易发性预测方法，方法包括步骤：根据研究区滑坡的孕灾环境和致灾因素，选择滑坡影响因子；滑坡影响因子进行预处理后，构建数据集；构建滑坡预测模型，利用数据集训练和验证所述滑坡预测模型，得到最佳参数的模型；将滑坡影响因子中的LULC因子和降雨因子替换成分别由PLUS模型模拟的LULC因子和大气环流模型模拟的降雨因子；将模拟的LULC因子、模拟的降雨因子、滑坡影响因子中的其它因子输入至最佳参数的模型，得到未来情景滑坡易发性预测结果。本发明有益效果是：弥补了往往只通过模拟单个滑坡影响因子进行滑坡易发性预测的不足，使得预测结果更具可信度。
-
公开(公告)号：CN117115043A
公开(公告)日：2023-11-24
申请号：CN202311356184.0
申请日：2023-10-19
Applicant: 武汉大学
IPC: G06T5/00 , G06T17/00 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种夜光影像除辉光方法及系统，属于遥感影像处理技术领域，包括：由原始真实夜光影像数据集生成真实夜光影像，并生成模拟清晰夜光影像；基于模糊转移算法采集真实夜光影像的特征信息，将模拟清晰夜光影像转换为模拟退化夜光影像，模拟退化夜光影像与模拟清晰夜光影像对齐，由模拟退化夜光影像与模拟清晰夜光影像构建除辉光训练数据；由生成对抗网络构建初始除辉光网络模型，采用除辉光训练数据对初始除辉光网络模型进行训练，得到除辉光网络模型；将待处理真实夜光影像输入除辉光网络模型，得到去除辉光夜光影像。本发明能快速去除高分辨率夜光影像中的辉光，对于噪声有一定抑制作用，有效解决了缺少训练数据情况下的网络训练问题。
-
公开(公告)号：CN114463202A
公开(公告)日：2022-05-10
申请号：CN202210037286.5
申请日：2022-01-13
Applicant: 武汉大学
Abstract: 本发明提供了一种结合矩阵补全和趋势滤波的植被指数时间序列重建方法，包括如下步骤：首先通过植被指数产品中的质量标记数据确定时间序列数据中的缺失位置，然后针对单个像素的植被指数序列，通过矩阵变化从一维向量变成二维矩阵，接着针对每个像素变换后的矩阵，建立低秩矩阵补全的最优化能量方程，通过非精确增广拉格朗日算法实现矩阵补全，得到初步不含数据缺失的时间序列补全矩阵。最后再将该补全矩阵进行向量化，在一维向量的基础上建立加权趋势滤波的能量优化方程，通过交替方向乘子法实现模型的求解，从而进一步滤除残留的噪声，得到平滑干净的高质量植被指数时间序列数据，实现长时间遥感植被指数序列的高精度重建。
-
Patent Agency Ranking
公开(公告)号：CN114092832B
公开(公告)日：2022-04-15
申请号：CN202210065211.8
申请日：2022-01-20
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于并联混合卷积网络的高分辨率遥感影像分类方法，具体步骤为：输入高分辨率遥感影像和相应的样本标签数据，包括训练样本数据集、测试样本数据集；并联搭建三维卷积神经网络和二维卷积神经网络，构建信息融合转换网络实现空谱特征信息融合以及深层次提取；批量输入训练样本数据集训练网络，构造交叉熵损失函数和随机梯度下降算法优化网络并更新参数，直至网络收敛；输入测试样本数据集到混合网络模型中，输出测试样本标签预测值，完成高分影像分类。本发明可同时提取高分遥感影像的空间特征和光谱特征，进行特征融合实现影像高效率高精度分类，在自然资源监测、地理国情普查、城市规划、气候变化等研究中提供重要作用。
-
公开(公告)号：CN114463202B
公开(公告)日：2024-11-08
申请号：CN202210037286.5
申请日：2022-01-13
Applicant: 武汉大学
Abstract: 本发明提供了一种结合矩阵补全和趋势滤波的植被指数时间序列重建方法，包括如下步骤：首先通过植被指数产品中的质量标记数据确定时间序列数据中的缺失位置，然后针对单个像素的植被指数序列，通过矩阵变化从一维向量变成二维矩阵，接着针对每个像素变换后的矩阵，建立低秩矩阵补全的最优化能量方程，通过非精确增广拉格朗日算法实现矩阵补全，得到初步不含数据缺失的时间序列补全矩阵。最后再将该补全矩阵进行向量化，在一维向量的基础上建立加权趋势滤波的能量优化方程，通过交替方向乘子法实现模型的求解，从而进一步滤除残留的噪声，得到平滑干净的高质量植被指数时间序列数据，实现长时间遥感植被指数序列的高精度重建。
-
公开(公告)号：CN117036984B
公开(公告)日：2024-01-09
申请号：CN202311293882.0
申请日：2023-10-09
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/24 , G06V10/25 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合注意力机制的级联U型网络云检测方法及系统，首先对多光谱遥感影像数据进行预处理，构建用于遥感影像云检测的样本数据集和相应的样本标签集，然后构建融合注意力机制的级联U型网络，并对其进行训练，最后将测试样本数据集输入训练好的级联U型网络，输出测试样本预测结果，完成影像云检测。本发明可以精确检测出影像中的云，有效避免漏检和错检，从而提高遥感影像利用率，为后续的云去除、变化检测、目标跟踪等遥感应用提供参考。(56)对比文件Jing Zhang等.Cloud Detection MethodUsing CNN Based on Cascaded FeatureAttention and Channel Attention《.IEEETRANSACTIONS ON GEOSCIENCE AND REMOTESENSING》.2022,第1-17页.李余等.基于级联U-Net 的遥感影像道路分割和轮廓提取方法《.计算机科学》.2023,第1-15页.
-
公开(公告)号：CN117036984A
公开(公告)日：2023-11-10
申请号：CN202311293882.0
申请日：2023-10-09
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/24 , G06V10/25 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合注意力机制的级联U型网络云检测方法及系统，首先对多光谱遥感影像数据进行预处理，构建用于遥感影像云检测的样本数据集和相应的样本标签集，然后构建融合注意力机制的级联U型网络，并对其进行训练，最后将测试样本数据集输入训练好的级联U型网络，输出测试样本预测结果，完成影像云检测。本发明可以精确检测出影像中的云，有效避免漏检和错检，从而提高遥感影像利用率，为后续的云去除、变化检测、目标跟踪等遥感应用提供参考。
-
公开(公告)号：CN118736425B
公开(公告)日：2024-11-08
申请号：CN202411215950.6
申请日：2024-09-02
Applicant: 武汉大学
IPC: G06V20/10 , G06V20/70 , G06V10/34 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/58 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/084 , G06N3/048
Abstract: 本发明提供一种基于形态学约束的遥感影像建筑物变化检测方法及系统，属于遥感影像处理技术领域，包括：数据预处理和构建数据集；搭建形态学约束的建筑物变化检测分层网络，采用孪生改进的Vision Transformer子网络提取多尺度特征，并通过增强差分特征局部细节和全局信息突出建筑物变化区域；利用形态学约束损失和类别均衡损失函数构造复合损失函数，使用Adam优化算法优化更新参数，经多次训练后实现网络收敛。本发明将传统建筑物形态学指数和深度特征提取利用充分结合，利用全局‑局部差分特征学习增强了变化区域，有效解决了建筑物变化检测结果细节丢失和边界模糊问题，降低伪变化干扰，具有较强的实用性和发展前景。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.037 seconds)
