-
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。
-
公开(公告)号：CN110334578B
公开(公告)日：2023-04-18
申请号：CN201910368339.X
申请日：2019-05-05
Applicant: 中南大学
IPC: G06V20/10 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06T7/11
Abstract: 本发明提供了一种图像级别标注自动提取高分遥感影像建筑物的弱监督方法，主要包括建筑物目标的弱监督标记信息获取和建筑物自动提取两个步骤。建筑物目标的弱监督标记信息获取包括自动获取建筑物图像级别标注、利用图像级标注训练分类模型、模型反向定位建筑物目标区域和生成建筑物目标弱监督标记等内容；建筑物提取包括对模型的训练、测试和对数据集外的高分遥感影像中的建筑物进行提取。本发明实现了仅有图像级标签下的建筑物目标的像素级提取，节省了大量的标注成本；改进了分类模型获取建筑物目标定位的网络结构，获取建筑物弱监督标记的方法可扩充高分影像建筑物提取数据集；处理方法简单易行，灵活性高。
-
公开(公告)号：CN110046598A
公开(公告)日：2019-07-23
申请号：CN201910328725.6
申请日：2019-04-23
Applicant: 中南大学
Abstract: 本申请公开了即插即用的多尺度空间和通道注意遥感影像目标检测方法，包括：获取原始特征图，原始特征图为由深度卷积神经网络提取图像的特征图；对原始特征图进行全局平均池化操作，得到特征图向量；由两个全连接层对特征图向量进行两次线性变换，得到通道注意图；通过不同感受野的卷积产生至少三种不同尺度的空间注意图；将三种尺度的空间注意图相乘得到多尺度空间注意图；将多尺度空间注意图和通道注意图相乘，得到多尺度空间和通道注意(MSCA)；将多尺度空间和通道注意(MSCA)施加到原始特征图上生成新的特征图。在现有的目标检测模型中加入MSCA，显著提升小目标以及复杂背景的遥感影像目标检测的效果。
-
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。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN113408537A
公开(公告)日：2021-09-17
申请号：CN202110813073.2
申请日：2021-07-19
Applicant: 中南大学 , 山东卓元数据技术有限公司
Abstract: 本发明提供了一种遥感影像域适应语义分割方法，包括步骤1)分别确定源域数据集和目标域数据集，并对源域数据集进行语义标签处理得到对应的真实语义标签图；步骤2)在源域数据集上训练Deeplab‑v2语义分割模型；步骤3)利用Deeplab‑v2语义分割模型构建遥感影像域适应语义分割模型；步骤4)将目标域数据集中的遥感影像输入到步骤3)的遥感影像域适应语义分割模型中进行预测，得到目标域数据集的语义分割预测图。本发明所述的遥感影像域适应语义分割方法能够提升跨域语义分割中的精度，解决了现有域适应方法在域适应过程中存在的负迁移、难迁移以及在域知识迁移时表现出不同程度差异的问题。
-
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：CN113408537B
公开(公告)日：2023-07-21
申请号：CN202110813073.2
申请日：2021-07-19
Applicant: 中南大学 , 山东卓元数据技术有限公司
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种遥感影像域适应语义分割方法，包括步骤1)分别确定源域数据集和目标域数据集，并对源域数据集进行语义标签处理得到对应的真实语义标签图；步骤2)在源域数据集上训练Deeplab‑v2语义分割模型；步骤3)利用Deeplab‑v2语义分割模型构建遥感影像域适应语义分割模型；步骤4)将目标域数据集中的遥感影像输入到步骤3)的遥感影像域适应语义分割模型中进行预测，得到目标域数据集的语义分割预测图。本发明所述的遥感影像域适应语义分割方法能够提升跨域语义分割中的精度，解决了现有域适应方法在域适应过程中存在的负迁移、难迁移以及在域知识迁移时表现出不同程度差异的问题。
-
公开(公告)号：CN111582175B
公开(公告)日：2023-07-21
申请号：CN202010386191.5
申请日：2020-05-09
Applicant: 中南大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/778 , G06V10/764
Abstract: 本发明提供了一种共享多尺度对抗特征的高分遥感影像语义分割方法，引入了多尺度对抗网络模型，利用对抗特征的多尺度结构学习，较好地刻画出遥感影像的多尺度细节信息；同时通过改进对抗网络模型的判别器，将其作为关系增强模块，进一步描述目标地物的相关性和边界信息，一方面，可以表达同一地物内的像素之间的相关性，另一方面，将每个图像的边缘像素与其周围的其他两个或多个地物类别的像素相关联，从而获得目标地物更好的空间连续性和边界准确性，提高遥感影像预测结果的边界和语义准确性；另外，本申请的对抗特征能够灵活的嵌入到不同的语义分割基准模型中，具有较好的迁移应用能力，且能够相应地提高其性能。
-
公开(公告)号：CN110046598B
公开(公告)日：2023-01-06
申请号：CN201910328725.6
申请日：2019-04-23
Applicant: 中南大学
Abstract: 本申请公开了即插即用的多尺度空间和通道注意遥感影像目标检测方法，包括：获取原始特征图，原始特征图为由深度卷积神经网络提取图像的特征图；对原始特征图进行全局平均池化操作，得到特征图向量；由两个全连接层对特征图向量进行两次线性变换，得到通道注意图；通过不同感受野的卷积产生至少三种不同尺度的空间注意图；将三种尺度的空间注意图相乘得到多尺度空间注意图；将多尺度空间注意图和通道注意图相乘，得到多尺度空间和通道注意(MSCA)；将多尺度空间和通道注意(MSCA)施加到原始特征图上生成新的特征图。在现有的目标检测模型中加入MSCA，显著提升小目标以及复杂背景的遥感影像目标检测的效果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.019 seconds)
