-
公开(公告)号：CN113205018B
公开(公告)日：2022-04-29
申请号：CN202110434612.1
申请日：2021-04-22
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多尺度残差网络模型的高分影像建筑物提取方法。首先，对高分辨率遥感影像中的典型建筑物类型和特征做出分析，基于深度学习网络大量数据需求设计数据增广策略，确定训练样本集和验证样本集的超参数配比；其次，在U‑Net网络对称结构的基础单元中结合密集捷径结构，设计残差映射单元，并对基本单元中卷积层结构安排进行改进，利于模型训练；同时，该改进网络将影像输入阶段设计为特征金字塔输入结构，可在不同尺度上学习影像特征，结合设计的残差跳跃连接方式进行多尺度特征融合，通过多级残差单元运算细化建筑物分割结果，加强了不同网络层之间多级特征的重用性，有效地增强了梯度在网络中的传递，加速模型收敛。
-
公开(公告)号：CN113205014A
公开(公告)日：2021-08-03
申请号：CN202110421926.8
申请日：2021-04-20
Applicant: 武汉大学
IPC: G06K9/00 , G06K9/62 , G06T5/00 , G06F16/58 , G06F16/583
Abstract: 本发明公开了一种基于图像锐化的时序数据耕地提取方法，包括如下步骤：1)输入单时相高空间分辨率遥感影像全色波段并进行数据预处理；2)输入多时相Sentinel‑2遥感影像多光谱波段并进行数据预处理；3)基于单时相高空间分辨率全色波段和多时相Sentinel‑2多光谱波段进行Gram‑Schmidt图像锐化操作，生成高空间分辨率时序数据；4)基于高空间分辨率时序数据，计算归一化差异植被指数和土壤调节植被指数，生成植被指数时间序列数据集；5)构建分类样本库并进行分层抽样；6)利用随机森林的分类方法对作物类型进行识别，并对比原始时间序列数据提取结果与锐化后的时间序列提取结果；7)将提取的所有类型的耕地进行整合，生成耕地要素提取结果。
-
公开(公告)号：CN113205014B
公开(公告)日：2022-06-07
申请号：CN202110421926.8
申请日：2021-04-20
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06K9/62 , G06T5/00 , G06F16/58 , G06F16/583
Abstract: 本发明公开了一种基于图像锐化的时序数据耕地提取方法，包括如下步骤：1)输入单时相高空间分辨率遥感影像全色波段并进行数据预处理；2)输入多时相Sentinel‑2遥感影像多光谱波段并进行数据预处理；3)基于单时相高空间分辨率全色波段和多时相Sentinel‑2多光谱波段进行Gram‑Schmidt图像锐化操作，生成高空间分辨率时序数据；4)基于高空间分辨率时序数据，计算归一化差异植被指数和土壤调节植被指数，生成植被指数时间序列数据集；5)构建分类样本库并进行分层抽样；6)利用随机森林的分类方法对作物类型进行识别，并对比原始时间序列数据提取结果与锐化后的时间序列提取结果；7)将提取的所有类型的耕地进行整合，生成耕地要素提取结果。
-
公开(公告)号：CN113205018A
公开(公告)日：2021-08-03
申请号：CN202110434612.1
申请日：2021-04-22
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多尺度残差网络模型的高分影像建筑物提取方法。首先，对高分辨率遥感影像中的典型建筑物类型和特征做出分析，基于深度学习网络大量数据需求设计数据增广策略，确定训练样本集和验证样本集的超参数配比；其次，在U‑Net网络对称结构的基础单元中结合密集捷径结构，设计残差映射单元，并对基本单元中卷积层结构安排进行改进，利于模型训练；同时，该改进网络将影像输入阶段设计为特征金字塔输入结构，可在不同尺度上学习影像特征，结合设计的残差跳跃连接方式进行多尺度特征融合，通过多级残差单元运算细化建筑物分割结果，加强了不同网络层之间多级特征的重用性，有效地增强了梯度在网络中的传递，加速模型收敛。
-
-
-
Search Results
4
records
(took 0.02 seconds)
