-
公开(公告)号：CN112560624B
公开(公告)日：2024-05-17
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN112560624A
公开(公告)日：2021-03-26
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN112216108A
公开(公告)日：2021-01-12
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：CN112037228A
公开(公告)日：2020-12-04
申请号：CN202011224232.7
申请日：2020-11-05
Applicant: 中南大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于双倍注意力的激光雷达点云目标分割方法，包括：将激光雷达点云的数据输入特征抽象层中，获取每个点云数据的点特征和群特征；将所述的点特征和群特征同时输入到点注意力模块和群注意力模块；将点注意力模块和群注意力模块的输出合并在一起，得到最后增强的特征输出，增强的特征输出在送入特征传播层中；在特种传播层中，通过对点云目标的每个点特征的生成，获取所有输入点的特征信息；将点云的特征信息传入分类器中，识别出每个一个点云的类别，从而得到整个点云目标的分割结果。本发明方法提出的点注意力模块和群注意力模块可以有效性的在不同尺度上构建特征之间的关系，并提高点云数据的分割精度。
-
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。
-
Patent Agency Ranking
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：CN112163549B
公开(公告)日：2022-06-10
申请号：CN202011094951.1
申请日：2020-10-14
Applicant: 中南大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
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：CN112288013A
公开(公告)日：2021-01-29
申请号：CN202011188570.X
申请日：2020-10-30
Applicant: 中南大学
Abstract: 本发明公开了基于元度量学习的小样本遥感场景分类方法，包括以下步骤：建立面向遥感影像的深度神经网络分类模型，所述的深度神经网络分类模型包括嵌入模块和度量模块；采用元学习方式训练所述的深度神经网络分类模型，所述的元学习方式通过元任务组织训练；使用训练完成的深度神经网络分类模型进行遥感影像场景分类。本发明可以直接应用于解决遥感影像的小样本分类问题；通过元任务组织训练，将学习水平从数据提升到任务，以及使用平衡损失函数，使得小样本遥感场景的分类效果更好。
-
公开(公告)号：CN111539306A
公开(公告)日：2020-08-14
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.015 seconds)
