-
公开(公告)号：CN116310906A
公开(公告)日：2023-06-23
申请号：CN202310272721.7
申请日：2023-03-21
Applicant: 南湖实验室
IPC: G06V20/17 , G06V10/80 , G06N3/0464 , G06N3/08 , G06F17/18
Abstract: 本方案公开了一种基于深度学习的无人机影像树木检测方法，该方法所构建的模型在基于回归方法的基础上，引入了注意力机制和多尺度特征融合策略，同时提出双层次信息融合方式，融合前述方法提供一个全新的树木检测模型，这个模型能够在不影响预测速度的情况下，提高复杂场景的泛化能力，提高模型的识别精度，解决现有模型容易漏识小棵树木且在背景复杂的场景下鲁棒性差的问题。
-
公开(公告)号：CN115272278A
公开(公告)日：2022-11-01
申请号：CN202210975746.9
申请日：2022-08-15
Applicant: 南湖实验室
IPC: G06T7/00 , G06T7/20 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本方案公开了一种用于遥感图像变化检测的变化检测模型的构建方法,模型包括两个孪生网络，孪生网络均依次包括输入层、网络层一、网络层二和分类层，输入层的输入为图象块一和图象块二，检测模型根据两个分类层的输出得到两个图象块的差异图像；输入层包括卷积模块、FMBConv模块和ASPP模块；网络层一包括第一双分支模块和第二双分支模块，其中一个分支均包括可变形卷积；网络层二包括多头自注意力瓶颈模块。本方案使用包括可变形卷积的双分支结构和多头自注意力机制，使模型在保证特征图空间分辨率的同时增大其感受野，提高模型的检测精度。
-
公开(公告)号：CN115272278B
公开(公告)日：2025-01-07
申请号：CN202210975746.9
申请日：2022-08-15
Applicant: 南湖实验室
IPC: G06T7/00 , G06T7/20 , G06N3/0464 , G06N3/045 , G06N3/084 , G06V10/82 , G06V10/764
Abstract: 本方案公开了一种用于遥感图像变化检测的变化检测模型的构建方法,模型包括两个孪生网络，孪生网络均依次包括输入层、网络层一、网络层二和分类层，输入层的输入为图象块一和图象块二，检测模型根据两个分类层的输出得到两个图象块的差异图像；输入层包括卷积模块、FMBConv模块和ASPP模块；网络层一包括第一双分支模块和第二双分支模块，其中一个分支均包括可变形卷积；网络层二包括多头自注意力瓶颈模块。本方案使用包括可变形卷积的双分支结构和多头自注意力机制，使模型在保证特征图空间分辨率的同时增大其感受野，提高模型的检测精度。
-
公开(公告)号：CN116977632A
公开(公告)日：2023-10-31
申请号：CN202310794223.9
申请日：2023-06-30
Applicant: 南湖实验室
IPC: G06V10/26 , G06N3/0464 , G06V20/10 , G06V10/40 , G06V10/82 , G06V10/764 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于非对称卷积的改进U‑Net网络的滑坡提取方法，该基于非对称卷积的改进U‑Net网络的滑坡提取方法包括所述多源数据构建包括根据目标区域的高分辨率遥感影像获取包含该地区的DEM数据、坡度信息和变化特征的六通道数据；所述模型构建包括，总体上采用U‑Net网络结构，编码器部分采用非对称卷积代替原有标准卷积层，解码器采用密集上采样构成。本申请先提取变化特征，再输入模型训练，在深度学习模型训练预测阶使用DEM+坡度+变化特征作为滑坡的约束条件，使得深度学习可以从数据中提炼诸如滑坡与坡面这类复杂关系的深层次数据联系；创造性地利用非对称卷积更准确地提取不同方向上的特征而不受旋转目标的干扰，提高了网络对旋转畸变的鲁棒性。
-
公开(公告)号：CN116385907A
公开(公告)日：2023-07-04
申请号：CN202310295481.2
申请日：2023-03-17
Applicant: 南湖实验室
IPC: G06V20/17 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种基于注意力机制与轻量级全卷积网络的农业大棚提取方法。它解决了现有技术中农业大棚的提取速度慢、提取效率低的问题。它包括S1、目标区域的影像数据获取并进行数据预处理；S2、制作目标区域的二分类大棚样本；S3、构建大棚识别模型；S4、使用大棚样本对构建的大棚识别模型进行训练；S5、使用训练后的模型对目标区域内的影像进行大棚的提取。本发明的优点在于：提取速度快，提取精度高，解决了常用全卷积神经网络方法下提取精度、速度不平衡，对计算资源需求过大的问题。
-
Patent Agency Ranking
公开(公告)号：CN116363091A
公开(公告)日：2023-06-30
申请号：CN202310301773.2
申请日：2023-03-20
IPC: G06T7/00 , G06T7/90 , G06T7/11 , G06T5/30 , G06T5/20 , G06T5/00 , G06V20/70 , G06V20/17 , G06V20/10
Abstract: 本发明提供了一种用于检查绿色农作物的人工勾画标注质量的方法，它解决了绿色作物标注结果质量评估不便等问题，其将光学影像进行切割处理后进行颜色空间变换，之后对颜色空间筛选并进行形态学运算后处理，中值滤波后计算每块图像以及整体的交并比，实现质量评估，本发明具有绿色作物标注结果质量评估方便等优点。
-
公开(公告)号：CN114842341A
公开(公告)日：2022-08-02
申请号：CN202210530174.3
申请日：2022-05-16
Abstract: 本发明公开了一种基于深度学习的建筑物矢量提取模型及其提取方法，包括：S1.接收遥感影像，对遥感影像进行多个阶段的特征提取，得到多个尺度的提取特征；S2.分别对各尺度的提取特征进行特征优化，得到多个尺度的优化特征；S3.将多个尺度的优化特征进行特征融合，得到融合特征；S4.对融合特征进行特征恢复与类别判断得到建筑物初步提取结果；S5.对建筑物初步提取结果进行后处理得到最终的建筑物矢量结果。本方案融合多种尺度下的特征提取优势，有效提高特征提取能力，增强网络对原始影像的信息提取能力，并且针对融合特征进行提取结果，对提取结果进行后处理，能够直接获取到较为规则的建筑物矢量结果，极大的方便了后续编辑与应用。
-
公开(公告)号：CN114067152B
公开(公告)日：2022-04-15
申请号：CN202210043155.8
申请日：2022-01-14
Applicant: 南湖实验室
IPC: G06V10/762 , G06V10/764 , G06K9/62 , G06N3/08 , G06V20/13
Abstract: 本发明提供了一种基于星载SAR影像的精细化洪水淹没区提取方法，包括：S1、获取目标区域的SAR图像，对SAR图像进行超像素分割和阈值分割获得分割结果，根据所述分割结果得到背景百分比，并计算每个图像对象的特征向量；S2、通过对所述超像素分割结果、背景百分比和特征向量进行处理构建无向图并得到部分结点的类别标签；S3、根据所述的无向图和得到的部分结点的类别标签训练图卷积神经网络，并通过训练好的图卷积神经网络预测其它结点的类别，得到淹没后的水体提取结果；S4、将提取的淹没后的水体分布与洪水前的水体分布做差，得到洪水淹没区域。本发明可以兼顾图像对象特征和图像对象之间空间关系，能够显著提高SAR影像中洪水淹没区的提取精度。
-
公开(公告)号：CN116824377A
公开(公告)日：2023-09-29
申请号：CN202310794235.1
申请日：2023-06-30
Applicant: 南湖实验室
IPC: G06V20/10 , G06V10/25 , G06V10/20 , G06V10/56 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774 , G06Q50/02
Abstract: 本发明公开了一种利用遥感图像的松木变色立木智能识别与定位方法，该利用遥感图像的松木变色立木智能识别与定位方法，包括特征工程，所述特征工程包括如下步骤，获取历史遥感图像及对应的历史变色立木坐标点信息,其中历史遥感图像最少需包括四个通道；利用变色立木坐标点以矩形框形式在对应时间段的遥感图像上进行标注；对已标注的遥感图像进行校正处理；计算植被指数；将处理后的遥感图像与计算的植被指数的结果叠加在一起组成一个八通道；将产生的八通道遥感图像进行方块裁剪以制作数据集。该利用遥感图像的松木变色立木智能识别与定位方法，解决了遥感图像中变色松木检测精度低下、人工实地调查的高成本投入的难题。
-
公开(公告)号：CN116258966A
公开(公告)日：2023-06-13
申请号：CN202310309441.9
申请日：2023-03-22
Applicant: 南湖实验室 , 中科卫星应用德清研究院
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种水稻识别模型的构建方法及其水稻识别和制图方法，该用于水稻识别的水稻识别模型的构建方法包括水稻识别模型的构建和模型训练，还包括基于时序掩码的预训练，所述基于时序掩码的预训练包括，对输入的影像序列通过时序掩码模块随机去除部分影像序列，利用编码器进行掩码恢复，提取时空特征，将掩码恢复后的影像序列通过解码器解码，重建完整影像序列。该基于时序掩码的水稻识别方法及水稻制图方法解决了在云雾较多的南方地区，如何精准识别水稻，得到质量较高的水稻制图产品；还能充分挖掘水稻识别中水稻的时间和空间特征，提高水稻制图精度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
