-
公开(公告)号：CN113449666A
公开(公告)日：2021-09-28
申请号：CN202110766948.8
申请日：2021-07-07
Applicant: 中南大学 , 山东卓元数据技术有限公司
Abstract: 本发明提供了一种基于数据融合与特征选择的遥感影像多尺度目标检测方法，包括以下步骤：步骤S1：获取训练集，对整个训练集中各类别存在的边界框数量进行统计；步骤S2：通过数据融合增强补齐训练集中各类别的边界框数量差，使训练集中各类别的边界框数量达到均衡，得到最终的用于模型训练的训练集；步骤S3：将步骤S2处理后的训练集采用FoveaBox网络进行训练，将不同尺寸的目标在不同的尺度特征图上进行目标识别。多尺度特征表达与选择和数据融合增强两种方法结合可以应对遥感影像中相对复杂背景的影像，减轻类别不均衡的影响，更加符合遥感影像使用的场景，提升模型的性能，提高了在遥感影像中不同尺度目标识别的效果。
-
公开(公告)号：CN112052783A
公开(公告)日：2020-12-08
申请号：CN202010909322.3
申请日：2020-09-02
Applicant: 中南大学
Abstract: 本发明提供了一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法，包括训练数据准备、深层特征提取、边界特征融合、像素语义关联度学习、损失函数计算和生成建筑物伪标注；通过设计边界注意模块，将超像素先验信息和网络提取的边界信息相结合，强化了建筑物边界特征，且通过学习像素之间的语义关联性，将像素间的语义信息在图像中进行有效传播，生成更为完整密集，边界更为清晰的伪标签。同时配合高分遥感影像采用全卷积网络模型训练，实现建筑物特征自动提取。
-
公开(公告)号：CN119723338A
公开(公告)日：2025-03-28
申请号：CN202411798506.1
申请日：2024-12-09
Applicant: 中南大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种耦合全局上下文和几何信息的建筑物跨域识别方法，属于建筑物识别技术领域；包括确定源域数据集和目标域数据集；训练顾及全局上下文和几何信息的建筑物跨域提取模型1；对建筑物跨域提取模型1的参数进行更新以得到建筑物跨域提取模型2；将目标域数据集中的遥感影像输入到建筑物跨域提取模型2中进行预测，得到目标域掩码伪标签和目标域AFM伪标签；定义不含双原型对比学习模块的建筑物跨域提取模型2为建筑物提取模型3并对其进进行训练，得到建筑物提取模型4；将目标域数据集中的遥感影像输入到建筑物提取模型4中进行预测，得到建筑物识别结果。
-
Patent Agency Ranking
公开(公告)号：CN114926622A
公开(公告)日：2022-08-19
申请号：CN202210399493.5
申请日：2022-04-15
Applicant: 中南大学 , 山东卓智软件股份有限公司
IPC: G06V10/22 , G06V10/42 , G06V10/766 , G06V10/77 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08 , G06T7/00
Abstract: 本发明提出了一种少样本目标检测方法、电子设备及计算机介质，本发明以目标检测算法的候选框中的特征作为对比学习的第一对比特征；将少样本训练数据中的实例目标提取的多尺度实例特征作为模型对比学习的第二对比特征；将两种对比特征进行对比学习，进而提升少样本目标检测网络的特征表达能力，削弱遥感影像目标方向和尺度对精度的影响。本发明的优点是，针对多尺度的对比学习设计了多尺度候选框对比损失函数，用于对比学习自监督训练，消除用于对比学习的两种对比特征之间的尺度差异。
-
公开(公告)号：CN118628738A
公开(公告)日：2024-09-10
申请号：CN202410715383.4
申请日：2024-06-04
Applicant: 中南大学
IPC: G06V10/26 , G06V10/75 , G06V20/10 , G06V10/774
Abstract: 本发明涉及遥感影像技术领域，具体提供一种遥感影像域适应语义分割方法、可读存储介质及设备，本发明的方法包括因果原型启发的遥感影像域适应语义分割模型，该模型包括因果特征解耦模块、因果原型对比模块和因果干预模块，该模型从原始遥感影像中解耦出因果特征，使因果特征取代因果因素；消除源域和目标域之间因果特征的差异，从而激励模型获得域不变的因果特征；对偏差特征进行干预，生成反事实无偏样本，进一步将因果特征和偏差特征去相关，使因果特征对语义标签具有足够的预测充分性。本发明方法可以消除传感器类型、成像条件和拍摄位置等差异对语义分割造成的影响，实现在不同的遥感影像域之间的高性能语义分割效果。
-
公开(公告)号：CN114926622B
公开(公告)日：2024-11-01
申请号：CN202210399493.5
申请日：2022-04-15
Applicant: 中南大学 , 山东卓智软件股份有限公司
IPC: G06V10/22 , G06V10/42 , G06V10/766 , G06V10/77 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0895 , G06T7/00
Abstract: 本发明提出了一种少样本目标检测方法、电子设备及计算机介质，本发明以目标检测算法的候选框中的特征作为对比学习的第一对比特征；将少样本训练数据中的实例目标提取的多尺度实例特征作为模型对比学习的第二对比特征；将两种对比特征进行对比学习，进而提升少样本目标检测网络的特征表达能力，削弱遥感影像目标方向和尺度对精度的影响。本发明的优点是，针对多尺度的对比学习设计了多尺度候选框对比损失函数，用于对比学习自监督训练，消除用于对比学习的两种对比特征之间的尺度差异。
-
公开(公告)号：CN112052783B
公开(公告)日：2024-04-09
申请号：CN202010909322.3
申请日：2020-09-02
Applicant: 中南大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06V10/26 , G06N3/0464 , G06T3/4007 , G06T7/194
Abstract: 本发明提供了一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法，包括训练数据准备、深层特征提取、边界特征融合、像素语义关联度学习、损失函数计算和生成建筑物伪标注；通过设计边界注意模块，将超像素先验信息和网络提取的边界信息相结合，强化了建筑物边界特征，且通过学习像素之间的语义关联性，将像素间的语义信息在图像中进行有效传播，生成更为完整密集，边界更为清晰的伪标签。同时配合高分遥感影像采用全卷积网络模型训练，实现建筑物特征自动提取。
-
公开(公告)号：CN116307857A
公开(公告)日：2023-06-23
申请号：CN202310161265.9
申请日：2023-02-24
Applicant: 中南大学
IPC: G06Q10/0639 , G06Q10/04 , G06Q50/08 , G06Q50/26 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/0499 , G06N3/084
Abstract: 本发明提供了一种基于遥感图像场景理解的建成区环境评价方法，包括步骤S1、确定环境评价指标；步骤S2、采用所述环境评价指标计算得到所述建成区的环境评估数据集；将所述环境评估数据集按比例分成训练集和测试集；步骤S3、利用所述训练集训练获得图像描述模型；步骤S4、获取待评价建成区的遥感图像，并将其裁剪成若干张场景图像；采用所述图像描述模型对各所述场景图像进行预测；根据步骤S2，采用所述环境评价指标计算各所述场景图像对应的环境得分；利用ArcGIS软件将各所述场景图像的环境得分绘制成用于对待评价建成区环境评价的地图。本发明实现了城市待评价建成区环境的客观评价，具有可用性好的优点。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
