-
公开(公告)号：CN111738052B
公开(公告)日：2024-03-12
申请号：CN202010283627.8
申请日：2020-04-13
Applicant: 上海海洋大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/047 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于深度学习的多特征融合高光谱遥感地物分类方法，该方法可应用于高光谱遥感地物图像分类，解决了高光谱图像分类中标签样本不足和不同层次特征没有得到充分利用的弊端，具体如下：从原始高光谱遥感图像中选取各类别标签样本，并将样本标记为训练样本和测试样本；对训练样本进行预处理将其复制为相同的多份，并输入卷积神经网络的不同卷积层中以得到更多的样本；将卷积神经网络中层和高层的特征在全连接层中进行融合以得到不同层次的特征信息；获得训练的特征后对测试样本进行分类。
-
公开(公告)号：CN116894923A
公开(公告)日：2023-10-17
申请号：CN202310886947.6
申请日：2023-07-19
Applicant: 上海海洋大学
Abstract: 本发明公开了一种高分辨率遥感影像映射转换密集匹配与三维重建方法，包括步骤：接收第一遥感影像；对所述第一遥感影像进行正射纠正，获得第二遥感影像；对第二遥感影像进行重采样，获得第三遥感影像；对第三遥感影像进行自适应扩展分块，并对分块后的影像进行密集匹配生成对应的视差图；基于视差图和分块信息，将每对同名像点恢复到其在正射纠正影像上的坐标，再对同名点对进行逆正射纠正，将点对坐标恢复到第一高分辨率遥感影像上，获得对应的三维点坐标形成的三维点云；对三维点云进行栅格化采样生成高分辨率DSM。
-
公开(公告)号：CN111652039B
公开(公告)日：2023-04-18
申请号：CN202010283765.6
申请日：2020-04-13
Applicant: 上海海洋大学
IPC: G06V20/13 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于残差网络和特征融合的高光谱遥感地物分类方法，该方法解决了利用传统方法进行高光谱遥感地物分类难以提高精度和高光谱遥感地物图像中空间特征未能充分利用的弊端，其技术方案要点包括以下步骤：通过原始高光谱图像获得原始标签样本数据；从原始数据中提取空间特征；将标签样本随机划分为训练样本和测试样本，通过基于残差网络和特征融合方法对高光谱遥感数据进行训练，训练后的网络模型可以对地物进行分类并将结果可视化。本发明的基于残差网络和特征融合的高光谱遥感地物分类方法，能够提高分类模型的性能，充分利用残差网络提取到的深层特征，有效提高分类精度。
-
公开(公告)号：CN111652038B
公开(公告)日：2023-03-03
申请号：CN202010283629.7
申请日：2020-04-13
Applicant: 上海海洋大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的遥感海冰图像分类方法，解决了传统方法不能充分挖掘高光谱遥感海冰图像空谱特征以及不能结合分类目标有效区分不同光谱特征贡献度的弊端，其技术方案要点是包括有以下步骤：通过原始遥感图像获得原始数据；从原始数据中手工标记部分样本作为样本库；将输入数据根据设定策略随机选择训练样；将其余样本作为测试样本；通过训练样本对预建的三维卷积神经网络模型进行训练和特征提取，并通过挤压激励网络对提取的特征进行权重调整，并最终选择支持向量机分类器完成分类；通过训练测试后的三维卷积神经网络模型对高光谱遥感图像进行检测分类，本发明能够有效地克服现有困难，提高遥感海冰图像的分类精度。
-
公开(公告)号：CN115331049A
公开(公告)日：2022-11-11
申请号：CN202210914538.8
申请日：2022-08-01
Applicant: 上海海洋大学
IPC: G06V10/764 , G06V20/10 , G06V20/17 , G06V10/42 , G06V10/44 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于灾后无人机遥感影像的建筑物损毁分类方法，获取灾后的无人机遥感影像，并进行预处理；建立建筑物破坏分类网络模型并进行训练；该网络模型包括特征编码模块和分类模块，特征编码模块包括依次连接的带有注意力机制的多个卷积块，用于对无人机遥感影像进行特征编码，获取特征编码图，分类模块包括全局特征提取模块、上下文特征提取模块和分类器，全局特征提取模块用于对特征编码图进行全局特征提取，上下文特征提取模块用于对特征编码图进行上下文特征提取，分类器用于对融合了全局特征、上下文特征的图像特征进行分类；用训练好的建筑物破坏分类网络模型对获取灾后的无人机遥感影像进行损毁分类识别。
-
Patent Agency Ranking
公开(公告)号：CN114937213A
公开(公告)日：2022-08-23
申请号：CN202210194973.8
申请日：2022-03-01
Applicant: 上海海洋大学
Abstract: 本发明属于目标检测的技术领域，公开了一种基于地球同步卫星数据的火点检测和识别方法，其特征在于：先计算每个波段的遥感影像中各个像素点对应的环境信息，再将所有波段的遥感影像中的每个像素点的图像信息与对应的环境信息拼接在一起，作为像素点的输入特征，逐个像素点输入神经网络模型进行火点检测，并将检测结果显示出来。本发明的火点检测方法使用环境背景值和环境稳定值作为环境信息，并使用卷积神经网络对数据进行学习，通过多尺度的卷积和残差结构，能够从多个尺度综合分析各个特征之间的关系，以此提取出更加本质的特征，同时残差结构保证了原始特征不会被丢失，使得模型能够适用于各种环境，提高火点检测的速度与预测的准确率。
-
公开(公告)号：CN111652039A
公开(公告)日：2020-09-11
申请号：CN202010283765.6
申请日：2020-04-13
Applicant: 上海海洋大学
Abstract: 本发明公开了一种基于残差网络和特征融合的高光谱遥感地物分类方法，该方法解决了利用传统方法进行高光谱遥感地物分类难以提高精度和高光谱遥感地物图像中空间特征未能充分利用的弊端，其技术方案要点包括以下步骤：通过原始高光谱图像获得原始标签样本数据；从原始数据中提取空间特征；将标签样本随机划分为训练样本和测试样本，通过基于残差网络和特征融合方法对高光谱遥感数据进行训练，训练后的网络模型可以对地物进行分类并将结果可视化。本发明的基于残差网络和特征融合的高光谱遥感地物分类方法，能够提高分类模型的性能，充分利用残差网络提取到的深层特征，有效提高分类精度。
-
公开(公告)号：CN111652038A
公开(公告)日：2020-09-11
申请号：CN202010283629.7
申请日：2020-04-13
Applicant: 上海海洋大学
Abstract: 本发明公开了一种基于卷积神经网络的遥感海冰图像分类方法，解决了传统方法不能充分挖掘高光谱遥感海冰图像空谱特征以及不能结合分类目标有效区分不同光谱特征贡献度的弊端，其技术方案要点是包括有以下步骤：通过原始遥感图像获得原始数据；从原始数据中手工标记部分样本作为样本库；将输入数据根据设定策略随机选择训练样；将其余样本作为测试样本；通过训练样本对预建的三维卷积神经网络模型进行训练和特征提取，并通过挤压激励网络对提取的特征进行权重调整，并最终选择支持向量机分类器完成分类；通过训练测试后的三维卷积神经网络模型对高光谱遥感图像进行检测分类，本发明能够有效地克服现有困难，提高遥感海冰图像的分类精度。
-
公开(公告)号：CN111008664A
公开(公告)日：2020-04-14
申请号：CN201911233282.9
申请日：2019-12-05
Applicant: 上海海洋大学
Abstract: 本发明公开了一种基于空谱联合特征的高光谱海冰检测方法，解决了传统方法限制了高光谱海冰图像分类精度提升的弊端，其技术方案要点是包括有以下步骤：通过原始高光谱图像获得原始数据；从原始数据中提取空间特征并获取得到标签样本；从原始数据数据中选择各标签样本的近邻未标签样本并进行处理；将标签样本和未标签样本融合以形成输入数据；将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，通过测试样本进行测试，以得到分类精度；通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类，本发明的一种基于空谱联合特征的高光谱海冰检测方法，能够有效的克服现有困难，改进高光谱海冰的分类精度。
-
公开(公告)号：CN115437375B
公开(公告)日：2024-05-24
申请号：CN202211033770.7
申请日：2022-08-26
Applicant: 上海海洋大学
IPC: G05D1/43 , G06F16/182 , G06T17/05 , G05D1/243 , G05D1/246 , G05D1/644 , G05D1/648 , G05D109/10
Abstract: 本发明公开了一种基于大数据平台分布式瓦片金字塔的三维路径规划方法，将待探索区域的大型三维地形数据DEM进行分布式瓦片金字塔处理，并将生成的分布式瓦片金字塔存储到Hadoop分布式文件系统HDFS内；使用Spark的分布式计算集群从HDFS里由上至下读取分布式瓦片金字塔的DEM数据，并采用由粗粒度到细粒度迭代的路径规划方法进行待探索区域的三维路径规划。本方法通过建立DEM的分布式瓦片金字塔的存储模型以及Spark分布式处理瓦片金字塔的流程框架，提升分布式瓦片金字塔的路径搜索效率，提高大型DEM数据的远距离路径规划任务的运行速度，同时采用粗粒度到细粒度的路径规划，而减少路径规划运行时间。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.022 seconds)
