-
公开(公告)号：CN119274061A
公开(公告)日：2025-01-07
申请号：CN202411484691.7
申请日：2024-10-23
Applicant: 福州大学
IPC: G06V20/10 , G06V20/13 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种集成建筑物与阴影方向关系自动建模的城市建筑物变化遥感检测方法，属于建筑物变化遥感检测领域。设计模糊景观生成器并集成进多模态变化检测模型中。模糊景观生成器通过方向性关系建模模块将表示方向特征的模糊景观图通过以EfficientNetV2为主干网络的神经网络生成，自动建模建筑物与阴影的方向性关系，形成模糊景观图，从而解决了生成模糊景观的物理模型中参数难控制以及元数据缺乏角度信息的问题；还通过多模态特征交叉融合模块结合建筑物与阴影的方向性关系，可以有效利用变化特征和方向性特征，消除冗余信息。本发明集成了端到端的深度神经网络，提高了变化检测的效率，为获取高分辨率影像中城市建筑物变化信息提供了技术支持。
-
公开(公告)号：CN118521911A
公开(公告)日：2024-08-20
申请号：CN202410606441.X
申请日：2024-05-16
Applicant: 福州大学
IPC: G06V20/13 , G06V20/10 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种深度学习与多模态地学知识耦合的茶园提取方法。利用多模态遥感数据表征茶园地理环境特征，通过构建高分辨率影像多尺度特征耦合多模态信息的并行分支网络模型，深度挖掘并融合茶园的多模态地学知识，在小样本情况下精确地捕捉茶园多维特征，实现精细化茶园分布信息提取。
-
公开(公告)号：CN114821315B
公开(公告)日：2024-06-07
申请号：CN202210435370.2
申请日：2022-04-24
Applicant: 福州大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明提出结合边缘检测和多任务学习的遥感影像耕地地块提取方法，包括以下步骤；步骤S1：对研究区高分辨率遥感影像进行预处理操作；步骤S2：基于多任务学习框架，通过设置对地块边界和形状进行约束的任务，进行地块边界的高层级图像特征提取；步骤S3：通过集成多尺度图像边缘信息和高层级语义边界信息，改善地块边界提取存在的不连续、不闭合问题；步骤S4：基于同方差不确定性理论实现不同任务权重的自适应调整；步骤S5：基于不同优化器的模型训练与微调；步骤S6：对遥感影像滑窗预测、无缝拼接，提升大区域耕地地块提取的效率；本发明能克服传统卷积神经网络在耕地地块提取中存在的边界不连续、不闭合问题，有效提高了耕地地块提取的几何精度。
-
公开(公告)号：CN117173574A
公开(公告)日：2023-12-05
申请号：CN202311195263.8
申请日：2023-09-16
Applicant: 福州大学
IPC: G06V20/10 , G06V10/44 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及多任务线段约束的高分辨率遥感影像规则化地块提取方法，包括以下步骤：步骤S1：选择覆盖研究区域的高分辨率遥感影像；步骤S2：构建底层顶点、中层线段、高层掩膜多层级空间信息相互融合的多任务卷积神经网络；步骤S3：基于步骤S2，采用线段吸引力方向图表示方法作为中层线段特征进行约束；步骤S4：建立联合损失函数；步骤S5：训练步骤S2的多任务模型，并将训练好的模型用于步骤S1所获遥感影像进行规则化地块提取。步骤S6：模型输出结果规则化。本发明可解决传统语义分割网络输出栅格图像边缘特征模糊和利用困难的问题，充分利用地块不同层级语义特征，实现农田地块规则矢量自动化提取。
-
公开(公告)号：CN117173573A
公开(公告)日：2023-12-05
申请号：CN202311195257.2
申请日：2023-09-16
Applicant: 福州大学
IPC: G06V20/10 , G06V10/44 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/74 , G06N3/0455 , G06N3/08 , G06V10/80
Abstract: 本发明提出了一种城市建筑物类型变化遥感检测方法。构建一种基于高分辨率遥感影像的城市建筑物类型变化检测模型，具体由语义分割和变化检测两大模块组成。语义分割模块利用Swim Transformer作为编码器，提升特征提取过程中的全局感知能力。通过不同任务的参数共享机制同时学习建筑物类型信息和边界信息，解决建筑物类型变化的检测问题，并在特征提取阶段融入多尺度特征对比学习，提升网络对变化地物的感知能力。配合变化检测模块，该方法可同时识别建筑物的边界和类型变化信息。本发明集成了端到端的深度神经网络，实现了利用高分辨率遥感影像自动检测城市建筑物类型变化。
-
Patent Agency Ranking
公开(公告)号：CN117132884A
公开(公告)日：2023-11-28
申请号：CN202310849650.2
申请日：2023-07-12
Applicant: 福州大学 , 福建省地质测绘院(福建省地质科学研究所)
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于地块尺度的农作物遥感智能提取方法。首先将高分辨率遥感影像地块提取视为图像语义分割问题，集成卷积神经网络和Transformer网络，构建一个顾及空间细节和远距离上下文语义的神经网络模型；基于提取的精细地块，利用中等分辨率影像构建时序遥感数据集，结合长短期记忆模型和全卷积神经网络模型在时间特征和空间特征上的表征优势，构建一个新的时序深度学习模型用于农作物精准分类。本发明充分利用卷积神经网络、Transformer模型、长短期记忆模型在空间细节、远距离上下文信息建模和时序特征提取方面的优势，通过集成先进的深度网络模型，有效地提取了不同层级的地块图像特征、作物物候特征，实现了地块尺度农作物种植结构的精准分类。
-
公开(公告)号：CN115909065A
公开(公告)日：2023-04-04
申请号：CN202211437353.9
申请日：2022-11-16
Applicant: 福州大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明提供了一种集成多尺度特征的高分辨率影像茶园自动识别方法，包括以下步骤：步骤S1：高分辨率影像预处理；步骤S2：茶园样本数据集制作；步骤S3：轻量级深度学习框架构建；步骤S4：在编码器与解码器之间的横向跳跃连接中嵌入注意力机制；步骤S5：集成多尺度特征提取模块；步骤S6：基于Adam优化器的模型训练；步骤S7：超大尺寸遥感影像的滑窗预测、无缝拼接；本发明构建了集成多尺度特征的轻量级模型，可识别不同尺度的茶园，减少小面积茶园漏提现象，在小样本情况下做到准确获取茶园种植面积和空间分布数据，以经济、高效的方式完成研究区茶园分布的高精度提取。
-
公开(公告)号：CN115795219A
公开(公告)日：2023-03-14
申请号：CN202211461476.6
申请日：2022-11-16
Applicant: 福州大学
Abstract: 本发明提供了一种基于小流域单元的月尺度入河泥沙量估算方法，包括如下步骤：步骤S1：获取流域范围DEM数据，结合遥感影像进行水系提取和小流域划分；步骤S2：利用DEM数据计算每个格网坡长因子Ly、坡度因子Sy；步骤S3：利用多源遥感影像数据构建30m分辨率的月尺度植被覆盖度数据集，并计算生物措施因子Bm；步骤S4：利用每月降雨量数据，计算月尺度降雨侵蚀力因子；步骤S5：计算土壤可蚀性因子K、计算工程因子E和耕作因子T；步骤S6：以小流域为单元，计算每个格网的泥沙输移比SDR；步骤S7：计算各小流域的月尺度入河泥沙量A；应用本技术方案有效提高了入河泥沙量估算精度与合理性，为评估不同时空特征下获取入河泥沙量提供了新手段。
-
公开(公告)号：CN113159167B
公开(公告)日：2023-03-03
申请号：CN202110420459.7
申请日：2021-04-19
Applicant: 福州大学
IPC: G06F18/23213 , G06F18/2431 , G06N3/02
Abstract: 本发明涉及一种基于内陆不同类型水体的叶绿素a反演方法，结合实测水体光谱曲线、水质参数和遥感影像反演水体的叶绿素a浓度。基于实测水体光谱曲线利用逐次降类的K‑means聚类方法对水体进行分类，并根据每一类平均水体光谱曲线，以光谱角为测距，匹配实现遥感影像水体分类；进一步分别构建适用于不同类型水体的叶绿素a反演模型。本发明克服了传统叶绿素a反演方法模型单一、精度低的难题，实现了基于不同光谱主导因子内陆水体的分类，针对分类后不同类型的水体分别建立了叶绿素a最优反演模型，提高了水体叶绿素a预测精度，为防治水体富营养化、精准监测水体叶绿素a空间分布及其随时间变化趋势提供有效的技术支持。
-
公开(公告)号：CN115565376A
公开(公告)日：2023-01-03
申请号：CN202211206533.6
申请日：2022-09-30
Applicant: 福州大学
Abstract: 本发明涉及一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统，该方法包括：获取车辆历史出行轨迹数据，解析轨迹的相关特征信息，转换成键值对的形式存放，构建轨迹特征数据集；获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集；对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集；构建融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。该方法及系统有利于更加精准的预测车辆行程时间，提高资源利用效率。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.024 seconds)
