-
公开(公告)号：CN114067215B
公开(公告)日：2022-04-15
申请号：CN202210047639.X
申请日：2022-01-17
Applicant: 东华理工大学南昌校区
Abstract: 本发明公开了一种基于节点注意力机制图神经网络的遥感图像检索方法。第一，该方法利用改进的图卷积神经网络提取特征模型聚合多幅遥感图像的特征构建图聚合特征，并将其作为检索特征。第二，构建了节点注意力模型，利用该模型赋予不同节点不同权重，提升图卷积神经网络模型的提取特征的性能。第三，提出了类别权重节点相似度，该相似度准则利用了图卷积神经网络的分类能力和特征提取能力，并且该相似度准则还利用了图聚合特征和图像连接的图像排名相似度，充分的利用了这些信息提高遥感图像检索的精度。
-
Patent Agency Ranking
公开(公告)号：CN116580328A
公开(公告)日：2023-08-11
申请号：CN202310849642.8
申请日：2023-07-12
Applicant: 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) , 东华理工大学南昌校区
IPC: G06V20/17 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法，包括改进和训练UNet模型、利用改进和训练UNet模型的堤坝渗漏险情检测两个过程。改进和训练UNet模型具有以下内容：数据采集,制作样本，生成样本和划分数据集，改进UNet模型，训练改进的UNet模型，利用改进和训练UNet模型的堤坝渗漏险情检测，堤坝渗漏险情的确定,堤坝渗漏险情检测。本发明的有益效果是：本发明将堤坝渗漏险情与背景分离的二分类问题转换成多分类问题，通过对这些易干扰堤坝渗漏险情的检测的地物进行识别，有利于提升堤坝渗漏险情的检测精度；针对堤坝渗漏险情小目标检测问题对Unet模型进行了改进，提升的检测的精度和速度。
-
公开(公告)号：CN114067215A
公开(公告)日：2022-02-18
申请号：CN202210047639.X
申请日：2022-01-17
Applicant: 东华理工大学南昌校区
Abstract: 本发明公开了一种基于节点注意力机制图神经网络的遥感图像检索方法。第一，该方法利用改进的图卷积神经网络提取特征模型聚合多幅遥感图像的特征构建图聚合特征，并将其作为检索特征。第二，构建了节点注意力模型，利用该模型赋予不同节点不同权重，提升图卷积神经网络模型的提取特征的性能。第三，提出了类别权重节点相似度，该相似度准则利用了图卷积神经网络的分类能力和特征提取能力，并且该相似度准则还利用了图聚合特征和图像连接的图像排名相似度，充分的利用了这些信息提高遥感图像检索的精度。
-
公开(公告)号：CN118865184B
公开(公告)日：2025-01-21
申请号：CN202411347302.6
申请日：2024-09-26
Applicant: 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) , 东华理工大学南昌校区
IPC: G06V20/17 , G06V20/52 , G06V20/70 , G06V10/10 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/40 , G06V10/80
Abstract: 本发明公开了一种基于边缘增强的堤防裂缝险情智能识别方法，包括改进和训练边缘增强的YOLOv8模型，改进和训练YOLOv8模型具有以下内容：数据采集，制作样本，生成样本和划分数据集，改进边缘增强的YOLOv8模型，训练边缘增强的YOLOv8模型：利用边缘增强的YOLOv8模型的堤防裂缝险情检测，堤防裂缝险情的确定。本发明将利用边缘特征提取模块,提取图像高频边缘信息，有利于堤防裂缝险情的特征；设计两个主干网络特征提取模块来提高堤防裂缝险情检测的准确性；设计一种新的特征增强融合模块用于融合各种特征，从而有效提高了堤防裂缝险情检测的准确性。
-
公开(公告)号：CN118865184A
公开(公告)日：2024-10-29
申请号：CN202411347302.6
申请日：2024-09-26
Applicant: 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) , 东华理工大学南昌校区
IPC: G06V20/17 , G06V20/52 , G06V20/70 , G06V10/10 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/40 , G06V10/80
Abstract: 本发明公开了一种基于边缘增强的堤防裂缝险情智能识别方法，包括改进和训练边缘增强的YOLOv8模型，改进和训练YOLOv8模型具有以下内容：数据采集，制作样本，生成样本和划分数据集，改进边缘增强的YOLOv8模型，训练边缘增强的YOLOv8模型：利用边缘增强的YOLOv8模型的堤防裂缝险情检测，堤防裂缝险情的确定。本发明将利用边缘特征提取模块,提取图像高频边缘信息，有利于堤防裂缝险情的特征；设计两个主干网络特征提取模块来提高堤防裂缝险情检测的准确性；设计一种新的特征增强融合模块用于融合各种特征，从而有效提高了堤防裂缝险情检测的准确性。
-
公开(公告)号：CN116580328B
公开(公告)日：2023-09-19
申请号：CN202310849642.8
申请日：2023-07-12
Applicant: 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) , 东华理工大学南昌校区
IPC: G06V20/17 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法，包括改进和训练UNet模型、利用改进和训练UNet模型的堤坝渗漏险情检测两个过程。改进和训练UNet模型具有以下内容：数据采集,制作样本，生成样本和划分数据集，改进UNet模型，训练改进的UNet模型，利用改进和训练UNet模型的堤坝渗漏险情检测，堤坝渗漏险情的确定,堤坝渗漏险情检测。本发明的有益效果是：本发明将堤坝渗漏险情与背景分离的二分类问题转换成多分类问题，通过对这些易干扰堤坝渗漏险情的检测的地物进行识别，有利于提升堤坝渗漏险情的检测精度；针对堤坝渗漏险情小目标检测问题对Unet模型进行了改进，提升的检测的精度和速度。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
