-
公开(公告)号：CN114219815B
公开(公告)日：2024-11-08
申请号：CN202111304541.X
申请日：2021-11-05
Applicant: 浙江工业大学 , 杭州海康威视数字技术股份有限公司
Abstract: 多层次语义边界分割的高分辨遥感影像农田提取方法，包括：步骤1：农田语义边界提取：步骤2：农田边界阈值设置：步骤3：农田边界阈值分割：步骤4：农田边界细化：步骤5：农田边界迭代分割与细化：步骤6：农田矢量对象构建。本发明以边缘检测网络得到的边界强度图作为输入，采用多层次阈值分割方法，提取精细边界。其中，高阈值分割结果能够保证分割结果尽量贴合真实边界，低阈值使得构建的地物对象尽可能完整。从而，使得细化结果既能保持较高的边界定位精度，又具有较好的完整性。
-
公开(公告)号：CN115294462A
公开(公告)日：2022-11-04
申请号：CN202210623808.X
申请日：2022-06-02
Applicant: 杭州海康威视数字技术股份有限公司 , 浙江工业大学
Abstract: 本发明提出了一种多尺度特征引导下的建筑物变化检测方法，包括：用建筑物数据集训练用于建筑物特征提取的深度卷积神经网络；提取建筑物变化检测数据集中变化检测影像对的多尺度建筑物特征；训练并优选基于多尺度特征融合的变化检测模型；检测同一地点不同时相的影像对中变化的建筑物，获得变化结果的预测概率图并进行二值化处理，最后可将结果图进行矢量化，得到包含变化建筑物的矢量文件。本发明充分利用了深度卷积神经网络来提取建筑物特征，减少了变化检测过程中背景的干扰；同时，多尺度建筑物特征能引导网络专注于建筑物识别，保证了预测建筑物的完整性，降低了伪变化的产生，从而提高建筑物变化检测的精度。
-
公开(公告)号：CN114219815A
公开(公告)日：2022-03-22
申请号：CN202111304541.X
申请日：2021-11-05
Applicant: 浙江工业大学 , 杭州海康威视数字技术股份有限公司
Abstract: 多层次语义边界分割的高分辨遥感影像农田提取方法，包括：步骤1：农田语义边界提取：步骤2：农田边界阈值设置：步骤3：农田边界阈值分割：步骤4：农田边界细化：步骤5：农田边界迭代分割与细化：步骤6：农田矢量对象构建。本发明以边缘检测网络得到的边界强度图作为输入，采用多层次阈值分割方法，提取精细边界。其中，高阈值分割结果能够保证分割结果尽量贴合真实边界，低阈值使得构建的地物对象尽可能完整。从而，使得细化结果既能保持较高的边界定位精度，又具有较好的完整性。
-
公开(公告)号：CN119995861A
公开(公告)日：2025-05-13
申请号：CN202510144254.9
申请日：2025-02-10
Applicant: 浙江工业大学
Abstract: 一种适用于弱网环境的身份认证方法、系统及装置，其方法包括设备注册阶段生成和管理设备识别码、用户注册阶段应用密码安全增强策略、用户状态变更时时间戳的记录与更新、登录阶段设备识别码、密码与时间戳的对比验证、认证阶段基于身份的零知识证明认证及通信阶段过程识别码的生成与验证。包括：通过SHA3‑256算法生成唯一设备识别码；结合Argon2id算法对密码加盐哈希并存储混淆数据；记录并动态更新时间戳管理身份有效期；采用多重机制验证设备识别码、密码及时间戳；基于椭圆曲线加密技术，利用零知识证明实现身份认证；通信过程中通过过程识别码验证合法性。本发明兼具高效性与安全性，降低对服务器的依赖，适应弱网环境下的身份认证和通信需求。
-
公开(公告)号：CN112084872B
公开(公告)日：2024-12-31
申请号：CN202010795787.0
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V20/13 , G06V20/70 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T5/00 , G06T5/20 , G06T5/30 , G06T5/50 , G06T7/11 , G06T7/13 , G06T7/187 , G06T5/60 , G06V10/44 , G06V10/764 , G06N3/09
Abstract: 一种融合语义分割与边缘的高分遥感目标精准检测方法，首先，依据目标地物轮廓绘制样本，制作边缘检测样本以及语义分割样本，分别送入边缘检测网络和语义分割网络进行训练至拟合状态，得到边缘检测模型和语义分割模型。将高分遥感影像输入训练完成的边缘检测模型以获取地物目标的边缘强度图，将高分遥感影像输入训练完成的语义分割模型以获取地物目标语义信息和位置信息。最后，融合获取的语义分割结果，即地物目标的准确语义类型和位置信息，对处理后的地物目标边缘强度图进行断线补充，对中断的边缘进行修补，最终获得准确的地物目标精确的边界，并按任务需求将目标边界矢量化为多边形要素。本发明实现高分遥感影像的地物目标的精准边缘提取。
-
Patent Agency Ranking
公开(公告)号：CN113159154B
公开(公告)日：2024-03-29
申请号：CN202110399004.1
申请日：2021-04-12
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/08
Abstract: 一种面向农作物分类的时间序列特征重建及动态识别方法，包括：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。本发明通过以LSTM网络模型作为框架，将用于缺失值填充的回归器和用于作物分类的分类器进行协同优化，实现对时序遥感数据缺失部分的填充，并根据动态增加的遥感数据对农作物进行分类，实现分类结果精度的逐步提高。
-
公开(公告)号：CN113689445B
公开(公告)日：2024-02-13
申请号：CN202110787385.0
申请日：2021-07-13
Applicant: 浙江工业大学
IPC: G06T7/12 , G06N3/0464 , G06N3/08 , G06T7/13
Abstract: 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法，属于遥感影像目标提取技术领域。首先，采用语义分割网络和深度边缘检测网络分别预测建筑物屋顶面和边缘图；然后，对建筑物边缘图进行去噪、骨架提取；在此基础上，结合建筑物屋顶面预测图，对建筑物边缘图进行去毛刺和断线修补处理；最后，对建筑物边缘图进行矢量化，由此获得建筑物屋顶轮廓提取结果。本发明能够克服深度卷积神经网络模型预测图中建筑物边缘不连续、不封闭等问题，提高了高分辨率遥感影像建筑物边缘的提取精度，且在不同类型建筑物屋顶形态的提取中均表现良好，适用性广泛。
-
公开(公告)号：CN115601638A
公开(公告)日：2023-01-13
申请号：CN202210852460.1
申请日：2022-07-19
Applicant: 浙江工业大学(CN)
Abstract: 一种融合空间关系的高分遥感目标检测方法，首先根据遥感目标提取任务设计深度卷积神经网络、制作样本并训练得到道路提取模型。然后制作目标检测网络模型训练样本与标签，训练目标检测网络模型，图像经由卷积得到特征图信息，在训练过程中，使用目标检测网络模型进行预测，并分别计算置信度损失、类别损失、框位置损失，协同道路信息判断预测位置距离道路的远近，输出损失值，进行回归计算，使网络学习到检测的目标靠近道路附近。后处理过程，使用最终训练好的目标检测模型检测目标数据集，预测输出经处理后得到遥感图像中所识别地物的外包框，取外包框的中心点信息转为向量信息，写入矢量文件。本发明实现高分遥感目标的精细提取。
-
公开(公告)号：CN111340895B
公开(公告)日：2022-03-18
申请号：CN202010099590.3
申请日：2020-02-18
Applicant: 浙江工业大学
Abstract: 一种基于金字塔多尺度融合的影像色彩一致化方法，包括：步骤1：待处理影像金字塔处理；步骤2：多分辨率频率信息分解；步骤3：低分辨率影像滤波；步骤4：将低分辨率影像的低频信息赋予高分辨率影像的相应层级；步骤5：亮点噪声抑制；步骤6：金字塔色彩校正影像组；步骤7：色彩一致化处理。本发明将影像镶嵌块之间的色彩误差累积转化为金字塔层级色彩误差累积，简化了计算复杂度，有效地将多种色差影像块镶嵌的卫星影像色彩一致化，无明显色差，细节丰富。
-
公开(公告)号：CN111310666B
公开(公告)日：2022-03-18
申请号：CN202010099370.0
申请日：2020-02-18
Applicant: 浙江工业大学
Abstract: 一种基于纹理特征的高分辨率影像地物识别与分割方法，包括：步骤1，根据类别体系制作样本集；步骤2，构造深度学习网络模型，内含：步骤2.1，构造骨干网络、步骤2.2，构造纹理特征提取结构、步骤2.3，构造特征矩阵去噪结构、步骤2.4，构造上采样结构；步骤3，深度学习网络模型训练；步骤4，图像预测；步骤5，分割结果后处理。本发明使用深度学习网络框架，通过重新设定网络框架下采样倍数，并显式设定纹理信息提取结构，不仅减少了小目标的信息损失，也提高了纹理信息的表达能力；深度网络模型中添加特征矩阵去噪模块，减少方法在计算中带来的额外噪声，实现逐像素的纹理表达，进一步提高网络模型精度。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.055 seconds)
