-
公开(公告)号:CN113591668A
公开(公告)日:2021-11-02
申请号:CN202110844610.X
申请日:2021-07-26
Applicant: 南京大学
Abstract: 本发明涉及一种使用深度学习和空间分析的广域未知大坝自动探测方法,包含以下步骤:候选区提取——地表水面积约束和行政边界数据集相交约束以获取更准确的候选区;深度学习模型训练——训练三种目标识别模型,NMS算法和长度阈值融合检测结果;地理分析与综合判别——综合地形约束,相交原则和其他目标开放数据集将误检框删除,进一步提升大坝探测中的准确率。本发明提出的自动探测方法在测试数据集上表现良好,探测结果做了人工校验,准确率为80.0%,召回率为91.1%,同时,发现39个不在任何数据集上的新大坝。结果显示,本发明可以自动、快速、可靠的探测未知区域大坝的空间位置,并为其他遥感目标空间位置探测提供了流程思路。
-
公开(公告)号:CN116229252A
公开(公告)日:2023-06-06
申请号:CN202211295465.5
申请日:2022-10-21
Applicant: 南京大学
IPC: G06V20/10 , G06V20/00 , G06V10/40 , G06V10/764 , G06V10/776 , G06V10/82 , G06F16/29
Abstract: 本发明公开了一种复杂广域背景下的机场检测方法,包括以下步骤:S1、基于集成探测器对机场跑道进行特征初提取;S2、将特征初提取的数据通过教师节点对跑道判别;S3、将判别后的样本通过场景分类和像素精细提取对跑道确定。本发明在复杂广域背景便于对跑道的特征进行提取,并对提取的结果进行判别,且通过改进了机场提取框架,突破了单一方案的局限性,大大提高了本复杂广域背景下的机场检测方法对跑道进行特征提取的使用范围,使得该复杂广域背景下的机场检测方法的对机场检测的效率更加便捷,且通过保有率、错误去除率、和增长率对该框架的探测结果进行定量评价,大大提高了复杂广域背景下的机场检测方法现有的保有率和错误去除率。
-
-
公开(公告)号:CN112395998A
公开(公告)日:2021-02-23
申请号:CN202011306320.1
申请日:2020-11-19
Applicant: 南京大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/587
Abstract: 本发明涉及一种使用深度学习的跑道检测对全球开放数据库中机场空间位置的验证方法,包含以下步骤:第一步、机场数据融合——融合OAC、GNO和GNS+GNIS三种全球机场位置数据集以获取更完整的数据集;第二步、深度学习模型训练——训练两种深度学习模型;第三步、机场影像验证——将以上两个已训练的模型结合,验证融合数据集影像中所有机场的位置点。本发明提出的验证方法在测试数据集上表现良好,准确率为95.8%,召回率为95.8%。当结果得分阈值设置为0.65时,全球共29259个机场点位通过验证。同时,对验证结果做了人工抽样校验,本发明对样本的验证精度达到了91%,且速度是人工的15倍。结果显示,本发明可以快速、可靠的辅助验证全球机场空间位置,并为其他遥感目标空间位置验证提供了流程思路。
-
-
-