-
公开(公告)号：CN109543630B
公开(公告)日：2023-06-16
申请号：CN201811433346.5
申请日：2018-11-28
申请人： 苏州中科天启遥感科技有限公司 , 浙江工业大学 , 中国科学院遥感与数字地球研究所
IPC分类号： G06V20/10 , G06V10/82 , G06V10/778 , G06V10/80 , G06V10/764
摘要： 本发明提供基于深度学习的遥感影像林地提取方法，包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取系统、存储介质、电子设备；本发明融合数字地表模型，将DSM数据与四波段样本数据进行融合，得到具有五个波段信息的训练数据，输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型，然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束，从而完成林地的精确分割，使林地的边界更加符合实际，本发明实现自动高效的林地矢量数据提取，极大的提高遥感影像的林地提取方法的准确度，缩短手工绘制的时间成本和人力成本。
-
公开(公告)号：CN109543630A
公开(公告)日：2019-03-29
申请号：CN201811433346.5
申请日：2018-11-28
申请人： 苏州中科天启遥感科技有限公司 , 浙江工业大学 , 中国科学院遥感与数字地球研究所
摘要： 本发明提供基于深度学习的遥感影像林地提取方法，包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取系统、存储介质、电子设备；本发明融合数字地表模型，将DSM数据与四波段样本数据进行融合，得到具有五个波段信息的训练数据，输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型，然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束，从而完成林地的精确分割，使林地的边界更加符合实际，本发明实现自动高效的林地矢量数据提取，极大的提高遥感影像的林地提取方法的准确度，缩短手工绘制的时间成本和人力成本。
-
公开(公告)号：CN109493320B
公开(公告)日：2022-06-17
申请号：CN201811181856.8
申请日：2018-10-11
申请人： 苏州中科天启遥感科技有限公司
摘要： 本发明提供基于深度学习的遥感影像道路提取方法，包括步骤样本制作、模型训练、精度评定、道路预测、道路面矢量化。本发明还涉及基于深度学习的遥感影像道路提取系统、存储介质、电子设备；本发明通过改进的DenseNet网络模型对道路进行提取，利用道路拓扑特征进行推测，连接中断道路，进而实现道路提取结果更为精细连贯，本发明在道路提取上具有更高的效率，节约大量的成本，并保证提取道路结果的可靠性，便于遥感影像处理推广应用。
-
公开(公告)号：CN109493320A
公开(公告)日：2019-03-19
申请号：CN201811181856.8
申请日：2018-10-11
申请人： 苏州中科天启遥感科技有限公司
摘要： 本发明提供基于深度学习的遥感影像道路提取方法，包括步骤样本制作、模型训练、精度评定、道路预测、道路面矢量化。本发明还涉及基于深度学习的遥感影像道路提取系统、存储介质、电子设备；本发明通过改进的DenseNet网络模型对道路进行提取，利用道路拓扑特征进行推测，连接中断道路，进而实现道路提取结果更为精细连贯，本发明在道路提取上具有更高的效率，节约大量的成本，并保证提取道路结果的可靠性，便于遥感影像处理推广应用。
-
公开(公告)号：CN109446992B
公开(公告)日：2022-06-17
申请号：CN201811279197.1
申请日：2018-10-30
申请人： 苏州中科天启遥感科技有限公司
IPC分类号： G06V20/10 , G06V10/764 , G06V10/82 , G06V10/422 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U‑Net语义分割模型网络结构，利用改进U‑Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的U‑Net与RCF融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。
-
公开(公告)号：CN109446992A
公开(公告)日：2019-03-08
申请号：CN201811279197.1
申请日：2018-10-30
申请人： 苏州中科天启遥感科技有限公司
摘要： 本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U-Net语义分割模型网络结构，利用改进U-Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的U-Net与RCF融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。
-
公开(公告)号：CN111291818B
公开(公告)日：2022-03-18
申请号：CN202010099382.3
申请日：2020-02-18
申请人： 浙江工业大学
IPC分类号： G06V10/774 , G06V10/764 , G06K9/62 , G06N20/00
摘要： 一种面向云掩膜的非均匀类别的样本均衡化方法，包括：步骤1：数据预处理与样本获取；步骤2：样本分组；步骤3：云掩膜模型训练；步骤4：分类器掩膜与评价；步骤5：迭代训练；步骤6：云掩膜；步骤7：掩膜数据后处理。本发明采用的样本均衡化方法，有效的解决了遥感影像中云类别不均匀而导致的样本失衡，实现对影像中各种类型云的有效识别和分割，从而提高云掩膜精度；选择性地输入样本，这可以突出缺失或错误检测的样本的影响，从而增强小类别样本，从而有效地调整深度学习模型所提取的特征，解决小类别云漏检或误检问题。
-
公开(公告)号：CN111291818A
公开(公告)日：2020-06-16
申请号：CN202010099382.3
申请日：2020-02-18
申请人： 浙江工业大学
摘要： 一种面向云掩膜的非均匀类别的样本均衡化方法，包括：步骤1：数据预处理与样本获取；步骤2：样本分组；步骤3：云掩膜模型训练；步骤4：分类器掩膜与评价；步骤5：迭代训练；步骤6：云掩膜；步骤7：掩膜数据后处理。本发明采用的样本均衡化方法，有效的解决了遥感影像中云类别不均匀而导致的样本失衡，实现对影像中各种类型云的有效识别和分割，从而提高云掩膜精度；选择性地输入样本，这可以突出缺失或错误检测的样本的影响，从而增强小类别样本，从而有效地调整深度学习模型所提取的特征，解决小类别云漏检或误检问题。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.064 秒)
