-
Patent Agency Ranking
公开(公告)号：CN106056609B
公开(公告)日：2018-11-06
申请号：CN201610383452.1
申请日：2016-06-02
Applicant: 上海海洋大学
Abstract: 本发明涉及一种基于DBNMI模型实现遥感影像自动标注的方法，其中包括对初始输入遥感影像进行自适应分割，粗粒度划分遥感影像背景区域和对象区域；针对划分出的遥感影像的对象区域，利用多示例多标签技术表示；针对遥感影像的对象区域的低层视觉特征和高层语义概念间关系，基于DBNMI模型进行自动建模；定量计算标注词间共现和对立的语义关系。采用该种基于DBNMI模型实现遥感影像自动标注的方法，针对海洋遥感影像语义标注任务感兴趣的区域仅占影像很小一部分，提出一种基于DBNMI的遥感影像语义自动标注模型，有效提高影像自动标注的精度，具有更广泛的应用范围。
-
公开(公告)号：CN103678883B
公开(公告)日：2017-02-22
申请号：CN201310594613.8
申请日：2013-11-21
Applicant: 上海海洋大学
IPC: G06F19/00
Abstract: 本发明给出了一种面向多源海洋环境监测数据的空间抽样方法。本发明首先提取海洋环境监测数据的空间位置信息，对多源海洋环境监测数据的属性信息进行标准化处理；然后，利用空间变异函数（Kriging）计算各海洋环境监测站点间的空间自相关系数，由此优化传统系统抽样方法，给出适合于多源海洋环境监测数据的一种新空间抽样方法；最后，通过方差比较和趋势面分析，检验新空间抽样方法的效率。本发明充分考虑海洋环境监测数据之间的空间相关性和变异性，提供一种面向多源海洋环境监测数据的空间抽样方法。该方法既达到了样本点在监测区域内分布均匀，又能在保证抽样精度的同时减少信息的冗余，可有效地运用于海洋环境监测工作，对监测站点进行关键点的布设提供理论依据。以某海域监测点的属性信息作为实证对象，验证本发明方法的有效性。
-
公开(公告)号：CN106056609A
公开(公告)日：2016-10-26
申请号：CN201610383452.1
申请日：2016-06-02
Applicant: 上海海洋大学
CPC classification number: G06K9/6267 , G06T2207/10032 , G06T2207/20004 , G06T2207/20016 , G06T2207/20081 , G06T2207/30181
Abstract: 本发明涉及一种基于DBNMI模型实现遥感影像自动标注的方法，其中包括对初始输入遥感影像进行自适应分割，粗粒度划分遥感影像背景区域和对象区域；针对划分出的遥感影像的对象区域，利用多示例多标签技术表示；针对遥感影像的对象区域的低层视觉特征和高层语义概念间关系，基于DBNMI模型进行自动建模；定量计算标注词间共现和对立的语义关系。采用该种基于DBNMI模型实现遥感影像自动标注的方法，针对海洋遥感影像语义标注任务感兴趣的区域仅占影像很小一部分，提出一种基于DBNMI的遥感影像语义自动标注模型，有效提高影像自动标注的精度，具有更广泛的应用范围。
-
公开(公告)号：CN107944482B
公开(公告)日：2021-10-19
申请号：CN201711141786.9
申请日：2017-11-17
Applicant: 上海海洋大学
Abstract: 本发明涉及一种基于半监督学习的高光谱图像的降维方法，所述方法包括以下步骤：构造改进的半监督相似权重矩阵Q；计算相似权重矩阵的对角矩阵D*以及拉普拉斯矩阵L*；根据半监督相似权重矩阵构造改进后的目标函数；根据目标函数求解广义特征方程；求解转换矩阵A＝(a1，a2，…，ad)以及低维子空间Y＝ATX＝{y1,y2,…,yN}。其优点表现在：利用样本的类标信息，又考虑了样本点之间的邻域信息，能够最小化同类样本间的距离，最大化不同类样本间的距离，从而提高了样本的分类精度。
-
公开(公告)号：CN107944482A
公开(公告)日：2018-04-20
申请号：CN201711141786.9
申请日：2017-11-17
Applicant: 上海海洋大学
CPC classification number: G06K9/6268 , G06K9/6215 , G06K9/6276 , G06K9/66
Abstract: 本发明涉及一种基于半监督学习的高光谱图像的降维方法，所述方法包括以下步骤：构造改进的半监督相似权重矩阵Q；计算相似权重矩阵的对角矩阵D*以及拉普拉斯矩阵L*；根据半监督相似权重矩阵构造改进后的目标函数；根据目标函数求解广义特征方程；求解转换矩阵A＝(a1，a2，…，ad)以及低维子空间Y＝ATX＝{y1,y2,…,yN}。其优点表现在：利用样本的类标信息，又考虑了样本点之间的邻域信息，能够最小化同类样本间的距离，最大化不同类样本间的距离，从而提高了样本的分类精度。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
