-
公开(公告)号：CN114708513A
公开(公告)日：2022-07-05
申请号：CN202210213409.6
申请日：2022-03-04
Applicant: 深圳市规划和自然资源数据管理中心 , 中国地质大学(武汉)
IPC: G06V20/13 , G06V10/44 , G06V10/26 , G06V10/20 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/29
Abstract: 本发明提出了一种顾及角点特征的边缘建筑物提取方法及系统，该方法融合了深度学习特征学习方法和计算机图形学方法，对复杂地物场景下的遥感影像数据进行了端对端的边缘轮廓细化建筑物提取；通过引入边缘锐化模型，改进了深度学习特征学习方法中提取建筑物轮廓模糊不清的情况，以计算机图形学中渲染的思想，使用细分策略高效的计算高分辨率分割图，提高了建筑物边缘的图像分割效果，使其在复杂地物场景下的建筑物边缘提取中有更好的表现。本发明的有益效果为：与现有边缘建筑物提取研究方法相比，本发明显著的提高了建筑物边缘细节特征的处理能力，保证了建筑物边缘数据提取的客观性与真实性。
-
公开(公告)号：CN114708513B
公开(公告)日：2023-12-01
申请号：CN202210213409.6
申请日：2022-03-04
Applicant: 深圳市规划和自然资源数据管理中心 , 中国地质大学(武汉)
IPC: G06V20/13 , G06V10/44 , G06V10/26 , G06V10/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/09 , G06F16/29
Abstract: 本发明提出了一种顾及角点特征的边缘建筑物提取方法及系统，该方法融合了深度学习特征学习方法和计算机图形学方法，对复杂地物场景下的遥感影像数据进行了端对端的边缘轮廓细化建筑物提取；通过引入边缘锐化模型，改进了深度学习特征学习方法中提取建筑物轮廓模糊不清的情况，以计算机图形学中渲染的思想，使用细分策略高效的计算高分辨率分割图，提高了建筑物边缘的图像分割效果，使其在复杂地物场景下的建筑物边缘提取中有更好的表现。本发明的有益效果为：与现有边缘建筑物提取研究方法相比，本发明显著的提高了建筑物边缘细节特征的处理能力，保证了建筑物边缘数据提取的客
-
公开(公告)号：CN117496183A
公开(公告)日：2024-02-02
申请号：CN202311604859.9
申请日：2023-11-27
Applicant: 中国地质大学(武汉)
IPC: G06V10/44 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/0442 , G06T5/10 , G06V10/80 , G06V10/25
Abstract: 本发明公开一种遥感影像矢量建筑物轮廓提取方法，构建建筑物矢量轮廓提取模型，通过特征金字塔网络得到多维度特征图，区域建议网络生成建筑物位置坐标，Transformer网络生成整体轮廓特征、角点特征和边特征，三个特征通过相关损失函数进行约束，通过角点特征得到点坐标，将角点特征、边特征和点坐标结合输入RNN模块得到下一个节点的位置特征，下一个节点的位置特征和整体轮廓特征的傅里叶形状描述子特征融合，并迭代得到整体矢量轮廓信息。本发明可以改善遥感影像中建筑物屋脊线的误判现象，有效约束不完整的建筑物形状，以减少建筑物轮廓中出现的拓扑错误，减少建筑物边缘点提取过程中的错误。
-
公开(公告)号：CN110136075B
公开(公告)日：2021-01-05
申请号：CN201910313286.1
申请日：2019-04-18
Applicant: 中国地质大学(武汉)
Abstract: 本发明提出了一种基于边缘锐化循环生成对抗网络的遥感影像去雾方法。该方法利用深度生成对抗网络对有雾遥感影像进行处理，可以自动化、大量化的恢复有雾遥感影像地物信息；其次，本发明提出一个加入图像锐化机制的循环生成对抗网络模型，该模型改进了生成对抗网络生成图片纹理不清晰的情况，提高了对模糊图像的判别能力；最后，本发明改进了模型计算感知一致性损失函数的VGG16网络预训练过程，利用遥感影像预训练VGG16网络，让遥感影像特征被更好的提取，使得感知损失误差计算更为精确。与现有遥感影像去雾方法相比，本发明具有智能化、批量化和自动化的优点，可以显著提高遥感影像质量，保护遥感影像纹理等细节信息，达到很好的恢复效果。
-
公开(公告)号：CN110334589A
公开(公告)日：2019-10-15
申请号：CN201910436122.8
申请日：2019-05-23
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于空洞卷积的高时序3D神经网络的动作识别方法，包括：首先对三维Inception-V1神经网络模型进行改进，得到改进后的三维Inception-V1神经网络模型；然后将公开数据集分为训练集和测试集对改进后的三维Inception-V1神经网络模型进行训练和测试，得到训练后的高精度三维Inception-V1神经网络模型；最后采用训练后的高精度三维Inception-V1神经网络模型对实际视频的动作进行识别。本发明的有益效果是：本发明所提出的技术方案在保持高时序性的同时引入新的非局部特征门算法来重新定义三维Inception-V1神经网络模型通道权重，提高了模型准确率。
-
Patent Agency Ranking
公开(公告)号：CN110334589B
公开(公告)日：2021-05-14
申请号：CN201910436122.8
申请日：2019-05-23
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于空洞卷积的高时序3D神经网络的动作识别方法，包括：首先对三维Inception‑V1神经网络模型进行改进，得到改进后的三维Inception‑V1神经网络模型；然后将公开数据集分为训练集和测试集对改进后的三维Inception‑V1神经网络模型进行训练和测试，得到训练后的高精度三维Inception‑V1神经网络模型；最后采用训练后的高精度三维Inception‑V1神经网络模型对实际视频的动作进行识别。本发明的有益效果是：本发明所提出的技术方案在保持高时序性的同时引入新的非局部特征门算法来重新定义三维Inception‑V1神经网络模型通道权重，提高了模型准确率。
-
公开(公告)号：CN111899168B
公开(公告)日：2023-04-07
申请号：CN202010626301.0
申请日：2020-07-02
Applicant: 中国地质大学(武汉)
IPC: G06T3/40 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于特征增强的遥感影像超分辨率重建方法和系统，包括以下步骤：对原始高分辨率遥感影像数据集进行压缩操作，生成低分辨率遥感影像数据集；将所述低分辨率遥感影像数据集通过TE‑AGAN模型进行影像重建，生成超分辨率遥感影像数据集；将所述超分辨率遥感影像数据集和所述原始高分辨率遥感影像数据集输入判别网络进行训练，以迭代的训练方法训练该模型，直到网络收敛，生成超分辨率遥感影像转换网络模型；将低分辨率遥感影像输入已经训练好的所述超分辨率遥感影像转换网络模型，生成超分辨率遥感影像。本发明能根据数据集学习得到损失函数，从而避免根据经验设置损失函数引入额外的误差，保证超分辨率遥感影像的质量。
-
公开(公告)号：CN110378363B
公开(公告)日：2021-06-04
申请号：CN201910410580.4
申请日：2019-05-16
Applicant: 中国地质大学(武汉)
Abstract: 本发明提出了一种基于匹配控制子图的复合多边形相似性度量方法，该方法以制图精度为基础，利用子多边形匹配结果描述子多边形的分布，定义为匹配位置图；利用简单的形状相似性、子多边形复杂度和邻域支持计算出匹配控制子多边形，其决定了子多边形的匹配。本发明所提出方法可以：(1)通过匹配控制子图协调子图匹配冲突问题，实现复合多边形子图精确匹配；(2)利用匹配位置图描述子多边形之间的拓扑关系；(3)可以度量不同关系的匹配对的形状相似性。
-
公开(公告)号：CN111899168A
公开(公告)日：2020-11-06
申请号：CN202010626301.0
申请日：2020-07-02
Applicant: 中国地质大学(武汉)
Abstract: 本发明涉及一种基于特征增强的遥感影像超分辨率重建方法和系统，包括以下步骤：对原始高分辨率遥感影像数据集进行压缩操作，生成低分辨率遥感影像数据集；将所述低分辨率遥感影像数据集通过TE-AGAN模型进行影像重建，生成超分辨率遥感影像数据集；将所述超分辨率遥感影像数据集和所述原始高分辨率遥感影像数据集输入判别网络进行训练，以迭代的训练方法训练该模型，直到网络收敛，生成超分辨率遥感影像转换网络模型；将低分辨率遥感影像输入已经训练好的所述超分辨率遥感影像转换网络模型，生成超分辨率遥感影像。本发明能根据数据集学习得到损失函数，从而避免根据经验设置损失函数引入额外的误差，保证超分辨率遥感影像的质量。
-
公开(公告)号：CN110378363A
公开(公告)日：2019-10-25
申请号：CN201910410580.4
申请日：2019-05-16
Applicant: 中国地质大学(武汉)
Abstract: 本发明提出了一种基于匹配控制子图的复合多边形相似性度量方法，该方法以制图精度为基础，利用子多边形匹配结果描述子多边形的分布，定义为匹配位置图；利用简单的形状相似性、子多边形复杂度和邻域支持计算出匹配控制子多边形，其决定了子多边形的匹配。本发明所提出方法可以：(1)通过匹配控制子图协调子图匹配冲突问题，实现复合多边形子图精确匹配；(2)利用匹配位置图描述子多边形之间的拓扑关系；(3)可以度量不同关系的匹配对的形状相似性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.048 seconds)
