-
公开(公告)号：CN116797787B
公开(公告)日：2024-01-02
申请号：CN202310573090.2
申请日：2023-05-22
Applicant: 中国地质大学(武汉)
Abstract: 本发明涉及图像处理技术领域，提供了一种基于跨模态融合与图神经网络的遥感影像语义分割方法，包括：获取RGB遥感图和对应的高程图；将所述RGB遥感图和所述高程图输入第一双流编码器‑解码器模块，输出第一重构特征图；将所述第一重构特征图输入图卷积神经网络模块，输出一级分类体系预测图像；将所述RGB遥感图、所述高程图以及所述一级分类体系预测图像输入构建好的语义分割网络，输出二级分类体系预测图像。本发明将一级分类体系预测图像的先验信息融入二级分类体系预测图像的预测过程中，可以引导网络关注不同类别间的差异化特征，提高分割的整体性，从而有效提升了遥感影像语义分割的精确度。
-
公开(公告)号：CN116977750A
公开(公告)日：2023-10-31
申请号：CN202311234948.9
申请日：2023-09-25
Applicant: 中国地质大学(武汉)
IPC: G06V10/764 , G06V10/26 , G06V20/70 , G06V20/10 , G06V10/80 , G06V10/58 , G06V10/56 , G06V10/422 , G06V10/82 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种土地覆盖场景分类模型构建方法及分类方法，包括：获取遥感图像集，遥感图像集中的遥感图像中包括土地覆盖场景；将遥感图像输入至构建的初始分类模型中，对初始分类模型进行训练，得到目标分类模型；初始分类模型及目标分类模型包括关联的语义分割模型、残差神经网络模型及图神经网络模型。本发明构建的基于语义分割与多级输出的残差神经网络‑图神经网络搭建的目标分类模型，在对输入的遥感图像进行处理时，由于残差神经网络及图神经网络对语义分割结果中的特征的进一步提取处理及全局学习，从而能够为遥感图像场景分类提供方法支撑，最终提升土地覆盖场景的分类精度，能够确保矿区土地覆盖精细化场景分类的精度及可靠性。
-
公开(公告)号：CN113642501A
公开(公告)日：2021-11-12
申请号：CN202110968026.5
申请日：2021-08-23
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种端对端的高分辨率遥感影像道路自动提取方法，该方法包括：设计编写D‑ResUnet模型；将损失函数加入到D‑ResUnet模型中，准备训练；获取道路数据集，将所述道路数据集放入D‑ResUnet模型中，对D‑ResUnet模型进行训练，通过损失函数计算得到的损失值，进行反向传播，更新模型的参数，使得损失值趋于最小，直至模型收敛，得到道路提取模型；将遥感影像输入到道路提取模型中，更新遥感影像。创造性的添加了空洞卷积的中间层，抑制了道路背景类间样本不平衡的问题对模型性能的影响，采用本发明提出的D‑ResUnet模型进行道路提取工作，能取得更高的精确度。
-
公开(公告)号：CN120071187A
公开(公告)日：2025-05-30
申请号：CN202510549459.5
申请日：2025-04-29
Applicant: 中国地质大学(武汉)
Abstract: 本申请公开了一种基于地质一号卫星遥感数据的共性产品生产方法和装置，涉及遥感技术和生态监测领域，其中方法包括：获取地质一号卫星的多光谱遥感影像数据；针对目标待生产产品，基于所述多光谱遥感影像数据进行数据提取，得到与所述目标待生产产品对应的不同波段的反射率；基于各所述反射率采用与所述目标待生产产品对应的产品生产模型进行产品生产，得到目标产品。本申请的方法实现了生态与地质领域多种共性产品的自动化生产，适用于自然资源管理、农业、环境保护及地质勘探等广泛应用场景。
-
公开(公告)号：CN113643182B
公开(公告)日：2024-03-19
申请号：CN202110961671.4
申请日：2021-08-20
Applicant: 中国地质大学(武汉)
IPC: G06T3/4053 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于对偶学习图网络的遥感影像超分辨率重建方法，包括：获取若干个目标特征块，在下采样特征中搜索与目标特征块最相似的k个特征块；得到目标特征块的高分辨率特征块，得到超分辨率重建图像；计算退化后的低分辨率图像和原始低分辨率图像之间的对偶误差，将对偶误差加入损失函数中；损失函数趋于稳定，模型收敛，输入超分辨率重建的遥感图像到超分辨率重建模型，得到低分辨率遥感图像对应的高分辨率遥感图像。通过图的构建，实现了特征跨尺度连接，实现了非局部聚合效果且相比于全局方法节省了计算资源；减小了超分辨率重建图解空间的大小，提升了超分精度和视觉效果。
-
Patent Agency Ranking
公开(公告)号：CN117611462A
公开(公告)日：2024-02-27
申请号：CN202311535199.3
申请日：2023-11-15
Applicant: 中国地质大学(武汉)
IPC: G06T5/50 , G06T3/4053 , G06N3/042 , G06N3/0464
Abstract: 本申请提供了一种多层次单图像超分辨率的时空融合方法，包括：获取高时间低空间分辨率图像，记为HTLS图像；获取高空间低时间分辨率图像，记为HSLT图像；通过基于学习的跨尺度内部图神经网络，构建HSLT‑HTLS连接图，扩展得到图像 通过基于插值的薄板样条插值函数以及图像 扩展得到图像 即为空间预测；使用小波变换处理扩展后的图像 确定改进后的空间预测 使用迭代自组织聚类算法对k‑1时相的HSLT图像的像素进行分类；估计每个类的时域信息变化；将时域信息变化分配到k‑1时相的HSLT图像，得到k时相的HTLS图像 即为时间预测；根据空间预测与时间预测，确定时空融合模型；基于时空融合模型以及权重因子wq的值，确定融合图像。
-
公开(公告)号：CN116704363B
公开(公告)日：2024-01-26
申请号：CN202310573394.9
申请日：2023-05-22
Applicant: 中国地质大学(武汉)
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于深度学习模型的土地覆盖分类方法及装置，涉及遥感信息技术领域，深度学习模型包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块；对抗学习模块用于根据获取的遥感多光谱数据的源域数据以及目标域数据，生成相似目标域数据和相似源域数据；对比学习模块用于处理源域数据、目标域数据、相似目标域数据和相似源域数据，获得源域光谱特征和目标域光谱特征；图卷积神经网络模块用于处理源域光谱特征和目标域光谱特征，得到土地覆盖分类信息；输出模块用于解码土地覆盖分类信息，得到土地覆盖分类结果。通过对抗学习模块、对比学习模块和图卷积(56)对比文件Diya Zhang 等.Three-Stream and DoubleAttention-Based DenseNet-BiLSTM for FineLand Cover Classification of ComplexMining Landscapes《.Sustainability》.2022,全文.潘少明;王玉杰;种衍文.基于图卷积神经网络的跨域行人再识别.华中科技大学学报(自然科学版).2020,(09),全文.
-
公开(公告)号：CN116797787A
公开(公告)日：2023-09-22
申请号：CN202310573090.2
申请日：2023-05-22
Applicant: 中国地质大学(武汉)
Abstract: 本发明涉及图像处理技术领域，提供了一种基于跨模态融合与图神经网络的遥感影像语义分割方法，包括：获取RGB遥感图和对应的高程图；将所述RGB遥感图和所述高程图输入第一双流编码器‑解码器模块，输出第一重构特征图；将所述第一重构特征图输入图卷积神经网络模块，输出一级分类体系预测图像；将所述RGB遥感图、所述高程图以及所述一级分类体系预测图像输入构建好的语义分割网络，输出二级分类体系预测图像。本发明将一级分类体系预测图像的先验信息融入二级分类体系预测图像的预测过程中，可以引导网络关注不同类别间的差异化特征，提高分割的整体性，从而有效提升了遥感影像语义分割的精确度。
-
公开(公告)号：CN111161199B
公开(公告)日：2023-09-19
申请号：CN201911280557.4
申请日：2019-12-13
Applicant: 中国地质大学(武汉)
IPC: G06T5/50 , G06V10/58 , G06V10/74 , G06V10/762
Abstract: 本发明公开了一种空谱融合的高光谱影像混合像元低秩稀疏分解方法，该方法包括以下步骤：归一化高光谱影像数据，采用线性迭代聚类法，生成超像素；查找超像素的局部块的丰度矩阵，构造低秩约束表达项，加入全变分空间正则项，加入数据保真项，获得目标函数；引入若干辅助变量构建分裂目标函数，采用增广拉格朗日转化有约束的优化问题为无约束的优化问题；采用交替迭代算法求解目标函数，获得评估确认的丰度图。通过采用该方法，得到的空间信息比像元间简单的位置关系更加准确，提取出了丰度矩阵的局部细节特征，促进丰度矩阵的平滑性，使得整个丰度图具备全局特征，使得目标函数分裂，同时使得算法快速收敛，获得更精确的目标解。
-
公开(公告)号：CN116704363A
公开(公告)日：2023-09-05
申请号：CN202310573394.9
申请日：2023-05-22
Applicant: 中国地质大学(武汉)
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种深度学习模型、土地覆盖分类方法及装置，涉及遥感信息技术领域，深度学习模型包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块；对抗学习模块用于根据获取的土地遥感多光谱场景的源域数据以及目标域数据，生成相似目标域数据和相似源域数据；对比学习模块用于处理源域数据、目标域数据、相似目标域数据和相似源域数据，获得源域光谱特征和目标域光谱特征；图卷积神经网络模块用于处理源域光谱特征和目标域光谱特征，得到土地覆盖分类信息；输出模块用于解码土地覆盖分类信息，得到土地覆盖分类结果。通过对抗学习模块、对比学习模块和图卷积神经网络模块的联合作用下，可以输出准确的土地覆盖分类结果。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.02 seconds)
