-
公开(公告)号：CN112766089A
公开(公告)日：2021-05-07
申请号：CN202110004130.2
申请日：2021-01-04
Applicant: 武汉大学
Abstract: 本发明公开了一种基于全局‑局部对抗学习框架的跨域道路提取方法，该方法具有以下两个显著特点：一是利用一个全局‑局部对抗学习框架用于高分辨率遥感影像跨域道路提取，该框架首先利用生成器生成特征，来混淆判别器，生成器后面紧接着两个分支，一个分支进行道路分割，另一个分支通过全局‑局部对抗学习引导生成器生成域不变特征。第二，全局‑局部对抗学习过程中，使用两个互斥分类器对道路进行识别，两个分类器识别的差异可以反映每一个像素的识别难易程度，从而自适应地对对抗损失进行加权，自动减慢或加速对抗学习的过程。本方法可以明显改善道路缺失现象，对于一些困难的样本也能较好的识别，显著提升道路识别精度。
-
公开(公告)号：CN111178316B
公开(公告)日：2022-04-15
申请号：CN202010009028.7
申请日：2020-01-06
Applicant: 武汉大学
Abstract: 本发明涉及一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法，用于自动搜索适合于特定数据集的卷积神经网络架构。本发明结合深度学习理论，设计层次化搜索空间和级联训练策略，将卷积神经网络设计转化为基于数据驱动模式，并构建了一系列的轻量级操作作为候选，以保证搜索网络架构的效率。该框架通过空洞金字塔池化模块对网络架构进行适配，使其适用于高分辨率遥感图像识别任务。本发明能够解决现有的人工设计架构专业知识与时间成本要求高等问题，针对特定高分辨率遥感影像土地覆盖分类数据集自动搜索合适的深度学习模型，可以有效提高模型设计效率与精度。
-
公开(公告)号：CN111178316A
公开(公告)日：2020-05-19
申请号：CN202010009028.7
申请日：2020-01-06
Applicant: 武汉大学
Abstract: 本发明涉及一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法，用于自动搜索适合于特定数据集的卷积神经网络架构。本发明结合深度学习理论，设计层次化搜索空间和级联训练策略，将卷积神经网络设计转化为基于数据驱动模式，并构建了一系列的轻量级操作作为候选，以保证搜索网络架构的效率。该框架通过空洞金字塔池化模块对网络架构进行适配，使其适用于高分辨率遥感图像识别任务。本发明能够解决现有的人工设计架构专业知识与时间成本要求高等问题，针对特定高分辨率遥感影像土地覆盖分类数据集自动搜索合适的深度学习模型，可以有效提高模型设计效率与精度。
-
Patent Agency Ranking
公开(公告)号：CN115512246A
公开(公告)日：2022-12-23
申请号：CN202211163029.2
申请日：2022-09-23
Applicant: 武汉大学
IPC: G06V20/17 , G06V10/764 , G06V10/774 , G06T11/60
Abstract: 本发明涉及一种基于层次化密集架构搜索的遥感灾害场景制图方法，用于复杂多灾害场景的地表覆盖制图与损毁评估，辅助灾害应急相应与决策。设计高效层次化密集架构搜索框架，搜索阶段结合现有各类深度编码器，自适应优化多尺度密集解码器架构参数，以满足当前场景各类受灾地物特征高效融合，通过广度优先解码最优解码架构；训练阶段通过迁移深度编码器模型参数，联合搜索得到的解码结构，实现高效模型训练。本发明能够解决复杂灾害场景网络架构设计难度高，时间成本昂贵等问题，无须人工设计深度解译架构，面对各类灾害或其他复杂场景均能实现数据到解译结果的高效全自动化。
-
公开(公告)号：CN112766089B
公开(公告)日：2022-05-13
申请号：CN202110004130.2
申请日：2021-01-04
Applicant: 武汉大学
IPC: G06V20/10 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V20/40
Abstract: 本发明公开了一种基于全局‑局部对抗学习框架的跨域道路提取方法，该方法具有以下两个显著特点：一是利用一个全局‑局部对抗学习框架用于高分辨率遥感影像跨域道路提取，该框架首先利用生成器生成特征，来混淆判别器，生成器后面紧接着两个分支，一个分支进行道路分割，另一个分支通过全局‑局部对抗学习引导生成器生成域不变特征。第二，全局‑局部对抗学习过程中，使用两个互斥分类器对道路进行识别，两个分类器识别的差异可以反映每一个像素的识别难易程度，从而自适应地对对抗损失进行加权，自动减慢或加速对抗学习的过程。本方法可以明显改善道路缺失现象，对于一些困难的样本也能较好的识别，显著提升道路识别精度。
-
公开(公告)号：CN115512222A
公开(公告)日：2022-12-23
申请号：CN202211172718.X
申请日：2022-09-26
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/08
Abstract: 本发明涉及一种基于线下训练‑线上学习框架的灾害场景地物损毁评估方法，用于快速、准确的多灾害场景地物损毁评估，支撑灾害应急响应应用。通过线下训练‑线上学习框架不断对齐模型在未知区域、未知灾种数据中的统计特征分布，克服未知区域与未知灾种带来的分布漂移问题；并设计了端到端的多任务灾前地物提取与灾后损毁评估深度网络模型，将灾前地物区域提取与灾后地物损毁评估可微分地整合在一起，解决了传统损毁评估模型无法同时具备端到端训练、推理与目标一致性预测的问题。本发明能够解决现有的模型难以泛化到未知区域、未知灾种以及评估目标语义不一致等问题，有效支撑准确的分钟级城市灾害快速应急响应。
-
公开(公告)号：CN112733788B
公开(公告)日：2022-08-05
申请号：CN202110077757.0
申请日：2021-01-20
Applicant: 武汉大学
Abstract: 本发明涉及一种基于跨传感器迁移的高分辨率遥感影像不透水面提取方法。本发明结合深度学习理论，设计跨传感器归一化层，利用数据驱动方式层次化自动学习传感器自身辐射特性归一化参数，消除不同遥感传感器间特性差异；并设计传感器相关对抗优化训练，高效优化地物语义相关卷积参数与各传感器相关归一化参数，增强不同数据源影像间深度学习模型的迁移能力。本发明能够解决现有深度迁移学习方法无法顾及传感器特性差异所带来的跨传感器迁移困难的问题，实现从高分辨率机载影像到星载影像的深度不透水面提取模型的迁移，有效提升跨传感器迁移分类与制图的精度。
-
公开(公告)号：CN112733788A
公开(公告)日：2021-04-30
申请号：CN202110077757.0
申请日：2021-01-20
Applicant: 武汉大学
Abstract: 本发明涉及一种基于跨传感器迁移的高分辨率遥感影像不透水面提取方法。本发明结合深度学习理论，设计跨传感器归一化层，利用数据驱动方式层次化自动学习传感器自身辐射特性归一化参数，消除不同遥感传感器间特性差异；并设计传感器相关对抗优化训练，高效优化地物语义相关卷积参数与各传感器相关归一化参数，增强不同数据源影像间深度学习模型的迁移能力。本发明能够解决现有深度迁移学习方法无法顾及传感器特性差异所带来的跨传感器迁移困难的问题，实现从高分辨率机载影像到星载影像的深度不透水面提取模型的迁移，有效提升跨传感器迁移分类与制图的精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
