-
公开(公告)号：CN111931747A
公开(公告)日：2020-11-13
申请号：CN202011074327.5
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种适于多任务迭代学习记忆的遥感图像分类方法，包括：初始化模型分类器之前的参数、固定权重、临时权重，利用参数权重预测性能；利用第一个任务的训练数据计算模型中每个参数的敏感性；当模型学习新的任务时，使用修改后的损失函数对模型进行训练，学习得到分类器之前的参数；在分类器中拓展新的神经元用于学习新任务中的新的类，重新初始化分类器的临时权重，学习得到分类器的临时权重，利用参数权重预测性能；利用新任务的训练数据计算模型中每个参数的敏感性矩阵，计算作为下一个任务训练的损失函数中添加的参数的敏感性矩阵；每当进来一个新任务对其进行训练时，重复步骤；使用训练好的模型分类器对遥感图像进行分类。
-
公开(公告)号：CN112163549B
公开(公告)日：2022-06-10
申请号：CN202011094951.1
申请日：2020-10-14
Applicant: 中南大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自动机器学习的遥感影像场景分类方法，包括以下步骤：在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索，以获取结构最优的深度神经网络AN1；使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络，进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集DN2；利用所述的遥感影像数据集训练所述的最优的深度神经网络，训练过程由自动超参数优化控制；利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程，提高了遥感影像场景分类任务的精度，并大大减少了对人力与时间的消耗。
-
公开(公告)号：CN112270462B
公开(公告)日：2021-06-29
申请号：CN202011078996.X
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种基于里奇曲率的地铁网络脆弱线路识别方法，包括以下步骤：基于地铁线数据和站点客流量数据，建立地铁网络，并将客流量作为权重赋给站点；计算地铁网络中线路的里奇曲率值；依据里奇曲率值由负到正的顺序对线路进行排序，依次移除地铁网络中的线路，计算最大连通子图相对大小的变化，以此识别脆弱线路。本发明方法提供了一种结合实际客流量数据，从流量传输角度提取地铁网络脆弱线路的方法，解决了现有方法多仅从地铁网络的拓扑结构分析脆弱线路，没有充分考虑线路在实际客流传输中各站点实际客流量分布情况以及地铁网络中流量传输特性的问题，具有较强的普适性。
-
公开(公告)号：CN112288013A
公开(公告)日：2021-01-29
申请号：CN202011188570.X
申请日：2020-10-30
Applicant: 中南大学
Abstract: 本发明公开了基于元度量学习的小样本遥感场景分类方法，包括以下步骤：建立面向遥感影像的深度神经网络分类模型，所述的深度神经网络分类模型包括嵌入模块和度量模块；采用元学习方式训练所述的深度神经网络分类模型，所述的元学习方式通过元任务组织训练；使用训练完成的深度神经网络分类模型进行遥感影像场景分类。本发明可以直接应用于解决遥感影像的小样本分类问题；通过元任务组织训练，将学习水平从数据提升到任务，以及使用平衡损失函数，使得小样本遥感场景的分类效果更好。
-
公开(公告)号：CN111539306A
公开(公告)日：2020-08-14
申请号：CN202010314628.4
申请日：2020-04-21
Applicant: 中南大学
Abstract: 本发明公开了基于激活表达可替换性的遥感图像建筑物识别方法，包括以下步骤：获取遥感图像建筑物数据集；训练普通深度神经网络模型；计算识别所述模型中每个卷积核的独立最大响应图；计算每个卷积核的激活表达可替换性；根据每个卷积核的激活表达可替换性对模型卷积核进行修剪，保留小的激活表达可替换性；使用修剪后的深度神经网络模型进行遥感图像建筑物识别。本发明方法针对基于深度学习的建筑物识别模型提出激活的表达可替换性指标方法，它可以量化同层上每个卷积核在特征空间表达的可替换性，卷积核的激活的表达可替换性值越低，代表它在特征空间越不可替换，进而针对卷积核进行选择性修剪，从而有效提高遥感图像建筑物识别模型的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN112560624B
公开(公告)日：2024-05-17
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN114187510A
公开(公告)日：2022-03-15
申请号：CN202111456120.9
申请日：2021-12-02
Applicant: 中南大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/00
Abstract: 本发明公开了基于元核网络的小样本遥感场景分类方法，包括选取给定不重叠的遥感数据集；对于每个任务，将给定的支持集嵌入到向量中；采用参数化的线性分类器对嵌入得到的特征向量进行分类；使用非线性映射将度量空间中的特征二次映射到高维空间，扩大分离边界表面周围的空间分辨率；使用拉伸损失函数约束类内与类间的方差比，强迫类内特征聚集；使用最终的最优解，将小样本遥感图片进行场景分类。本发明利用特定的任务信息，解除固定距离对模型的限制；将嵌入空间中的特征二次映射到高维空间中，提高分类边界清晰度，增强分类效果；降低类别边界对样本选择的依赖性，增加分类边界的鲁棒性，提高模型分类效果。
-
公开(公告)号：CN112560624A
公开(公告)日：2021-03-26
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN112270462A
公开(公告)日：2021-01-26
申请号：CN202011078996.X
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种基于里奇曲率的地铁网络脆弱线路识别方法，包括以下步骤：基于地铁线数据和站点客流量数据，建立地铁网络，并将客流量作为权重赋给站点；计算地铁网络中线路的里奇曲率值；依据里奇曲率值由负到正的顺序对线路进行排序，依次移除地铁网络中的线路，计算最大连通子图相对大小的变化，以此识别脆弱线路。本发明方法提供了一种结合实际客流量数据，从流量传输角度提取地铁网络脆弱线路的方法，解决了现有方法多仅从地铁网络的拓扑结构分析脆弱线路，没有充分考虑线路在实际客流传输中各站点实际客流量分布情况以及地铁网络中流量传输特性的问题，具有较强的普适性。
-
公开(公告)号：CN112216108A
公开(公告)日：2021-01-12
申请号：CN202011082028.6
申请日：2020-10-12
Applicant: 中南大学
Abstract: 本发明公开了一种基于属性增强的时空图卷积模型的交通预测方法，包括以下步骤：基于路网数据构建邻接矩阵A；基于特征矩阵X、兴趣点信息向量p和天气信息矩阵B构建t时刻的属性增强矩阵Kt＝[Xt,p,Bt]；将历史n个时刻的属性增强矩阵，以及道路网络的邻接矩阵输入时空图卷积模型学习训练，计算交通流隐藏状态，获得交通预测值。本发明方法在使用时空图卷积模型建模时空间特征的基础上，融合多源碎片化的城市数据来捕捉影响交通的外部因素与交通流的关系，增强时空图卷积模型对外部影响因素的感知，进而实现更加高效精准的交通预测。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.015 seconds)
