-
公开(公告)号：CN112163550A
公开(公告)日：2021-01-01
申请号：CN202011095311.2
申请日：2020-10-14
Applicant: 中南大学
Abstract: 本发明公开了基于深度神经网络自动学习的遥感影像场景分类方法，包括以下步骤：设计与初始化神经网络结构空间；学习神经网络的结构，构建最优深度神经网络模型；利用遥感影像数据集训练所述的最优深度神经网络模型，训练过程为从头训练；利用训练完成的最优深度神经网络模型进行遥感影像场景分类。本发明方法包括神经网络结构学习过程与神经网络结构评估过程，通过上述流程，不仅能获得更高性能的机器学习模型，同时其高度自动化的过程能够有效节省机器学习模型结构设计过程中的人力与时间。
-
公开(公告)号：CN112163549A
公开(公告)日：2021-01-01
申请号：CN202011094951.1
申请日：2020-10-14
Applicant: 中南大学
Abstract: 本发明公开了一种基于自动机器学习的遥感影像场景分类方法，包括以下步骤：在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索，以获取结构最优的深度神经网络AN1；使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络，进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集DN2；利用所述的遥感影像数据集训练所述的最优的深度神经网络，训练过程由自动超参数优化控制；利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程，提高了遥感影像场景分类任务的精度，并大大减少了对人力与时间的消耗。
-
公开(公告)号：CN111462492A
公开(公告)日：2020-07-28
申请号：CN202010276921.6
申请日：2020-04-10
Applicant: 中南大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于里奇流的关键路段检出方法，包括以下步骤：基于静态路网数据和实际流量数据，构建加权道路网络；计算不同时刻道路网络的初始奥利维里奇曲率值；通过里奇流迭代过程，得到使得网络每条边具有相同奥利维里奇曲率值的权重体系；计算同一路段权重变化的方向及变化程度，设定阈值提取权重在里奇流迭代过程中变化较大的路段。本发明方法是一种结合实际流量数据从流量传输角度提取城市路网关键路段的方法，解决了现有方法多仅从路网的拓扑结构分析关键路段，没有充分考虑路网的实际交通流分布情况以及网络的流量传输特性的问题。本发明方法简单易行，且检出结果更加符合实际路段交通分布和流量情况。
-
公开(公告)号：CN114187510B
公开(公告)日：2022-09-02
申请号：CN202111456120.9
申请日：2021-12-02
Applicant: 中南大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/00
Abstract: 本发明公开了基于元核网络的小样本遥感场景分类方法，包括选取给定不重叠的遥感数据集；对于每个任务，将给定的支持集嵌入到向量中；采用参数化的线性分类器对嵌入得到的特征向量进行分类；使用非线性映射将度量空间中的特征二次映射到高维空间，扩大分离边界表面周围的空间分辨率；使用拉伸损失函数约束类内与类间的方差比，强迫类内特征聚集；使用最终的最优解，将小样本遥感图片进行场景分类。本发明利用特定的任务信息，解除固定距离对模型的限制；将嵌入空间中的特征二次映射到高维空间中，提高分类边界清晰度，增强分类效果；降低类别边界对样本选择的依赖性，增加分类边界的鲁棒性，提高模型分类效果。
-
公开(公告)号：CN111539306B
公开(公告)日：2021-07-06
申请号：CN202010314628.4
申请日：2020-04-21
Applicant: 中南大学
Abstract: 本发明公开了基于激活表达可替换性的遥感图像建筑物识别方法，包括以下步骤：获取遥感图像建筑物数据集；训练普通深度神经网络模型；计算识别所述模型中每个卷积核的独立最大响应图；计算每个卷积核的激活表达可替换性；根据每个卷积核的激活表达可替换性对模型卷积核进行修剪，保留小的激活表达可替换性；使用修剪后的深度神经网络模型进行遥感图像建筑物识别。本发明方法针对基于深度学习的建筑物识别模型提出激活的表达可替换性指标方法，它可以量化同层上每个卷积核在特征空间表达的可替换性，卷积核的激活的表达可替换性值越低，代表它在特征空间越不可替换，进而针对卷积核进行选择性修剪，从而有效提高遥感图像建筑物识别模型的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN112132062A
公开(公告)日：2020-12-25
申请号：CN202011021851.6
申请日：2020-09-25
Applicant: 中南大学
Abstract: 本发明公开了一种基于剪枝压缩神经网络的遥感图像分类方法，包括：对遥感图像识别问题训练一个初始的神经网络模型，将所述模型作为待剪枝的初始模型；利用初始模型学习到的输出函数 对参数微小改变的敏感性来逐层计算模型中参数的敏感性矩阵 ；对参数的敏感性矩阵 的值进行排序，修剪掉不重要的参数；重新训练未被剪枝的剩余权重；当一层修剪完成之后，对下一层的修剪过程重复步骤即可；使用修剪完成后的神经网络模型对遥感图像进行分类。本发明方法提供了一种更加精确、实用、可靠的方法来计算模型中各参数的重要程度，从而将那些不重要的参数进行剔除，最终获得一个满意的压缩比例，用于更高效地进行遥感图像分类识别。
-
公开(公告)号：CN112216108B
公开(公告)日：2021-06-29
申请号：CN202011082028.6
申请日：2020-10-12
Applicant: 中南大学
Abstract: 本发明公开了一种基于属性增强的时空图卷积模型的交通预测方法，包括以下步骤：基于路网数据构建邻接矩阵A；基于特征矩阵X、兴趣点信息向量p和天气信息矩阵B构建t时刻的属性增强矩阵Kt＝[Xt,p,Bt]；将历史n个时刻的属性增强矩阵，以及道路网络的邻接矩阵输入时空图卷积模型学习训练，计算交通流隐藏状态，获得交通预测值。本发明方法在使用时空图卷积模型建模时空间特征的基础上，融合多源碎片化的城市数据来捕捉影响交通的外部因素与交通流的关系，增强时空图卷积模型对外部影响因素的感知，进而实现更加高效精准的交通预测。
-
公开(公告)号：CN112132062B
公开(公告)日：2021-06-29
申请号：CN202011021851.6
申请日：2020-09-25
Applicant: 中南大学
Abstract: 本发明公开了一种基于剪枝压缩神经网络的遥感图像分类方法，包括：对遥感图像识别问题训练一个初始的神经网络模型，将所述模型作为待剪枝的初始模型；利用初始模型学习到的输出函数对参数微小改变的敏感性来逐层计算模型中参数的敏感性矩阵；对参数的敏感性矩阵的值进行排序，修剪掉不重要的参数；重新训练未被剪枝的剩余权重；当一层修剪完成之后，对下一层的修剪过程重复步骤即可；使用修剪完成后的神经网络模型对遥感图像进行分类。本发明方法提供了一种更加精确、实用、可靠的方法来计算模型中各参数的重要程度，从而将那些不重要的参数进行剔除，最终获得一个满意的压缩比例，用于更高效地进行遥感图像分类识别。
-
公开(公告)号：CN111462492B
公开(公告)日：2021-03-30
申请号：CN202010276921.6
申请日：2020-04-10
Applicant: 中南大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于里奇流的关键路段检出方法，包括以下步骤：基于静态路网数据和实际流量数据，构建加权道路网络；计算不同时刻道路网络的初始奥利维里奇曲率值；通过里奇流迭代过程，得到使得网络每条边具有相同奥利维里奇曲率值的权重体系；计算同一路段权重变化的方向及变化程度，设定阈值提取权重在里奇流迭代过程中变化较大的路段。本发明方法是一种结合实际流量数据从流量传输角度提取城市路网关键路段的方法，解决了现有方法多仅从路网的拓扑结构分析关键路段，没有充分考虑路网的实际交通流分布情况以及网络的流量传输特性的问题。本发明方法简单易行，且检出结果更加符合实际路段交通分布和流量情况。
-
公开(公告)号：CN111931747B
公开(公告)日：2021-01-29
申请号：CN202011074327.5
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种适于多任务迭代学习记忆的遥感图像分类方法，包括：初始化模型分类器之前的参数、固定权重、临时权重，利用参数权重预测性能；利用第一个任务的训练数据计算模型中每个参数的敏感性；当模型学习新的任务时，使用修改后的损失函数对模型进行训练，学习得到分类器之前的参数；在分类器中拓展新的神经元用于学习新任务中的新的类，重新初始化分类器的临时权重，学习得到分类器的临时权重，利用参数权重预测性能；利用新任务的训练数据计算模型中每个参数的敏感性矩阵，计算作为下一个任务训练的损失函数中添加的参数的敏感性矩阵；每当进来一个新任务对其进行训练时，重复步骤；使用训练好的模型分类器对遥感图像进行分类。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.015 seconds)
