-
公开(公告)号：CN110532914A
公开(公告)日：2019-12-03
申请号：CN201910768818.0
申请日：2019-08-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于精细特征学习的建筑物检测方法。其实现步骤为：构造稠密卷积网络，生成训练样本集和测试样本集，对样本集中的图像进行预处理，利用稠密卷积块提取光学遥感图像的精细特征图，使用自顶向下的方法融合特征图，用融合边缘的深监督损失训练稠密卷积网络，最后将测试样本送入训练好的稠密卷积网络得到最终检测结果。本发明利用构建的稠密卷积网络提取光学遥感图像的精细特征图，利用融合边缘的深监督损失训练稠密卷积网络，在保证建筑物特征丰富性的条件下减少了内存占用量，提高了建筑物检测准确率。
-
公开(公告)号：CN117456529A
公开(公告)日：2024-01-26
申请号：CN202311504716.0
申请日：2023-11-13
Applicant: 西安电子科技大学
IPC: G06V20/70 , G06V20/56 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于泛化因果学习的街景语义分割方法及设备，包括：获取道路场景图像，并对图像预处理；将预处理图像输入训练完备的语义分割模型，得到语义标签；训练完备的语义分割模型是采用交叉熵损失函数、因果一致性损失函数和训练集，对初始语义分割模型训练得到；初始语义分割模型包括：用于生成图像的统计特征的编码器、用于对统计特征进行因果干预以生成干预特征的因果干预模块、用于对统计特征解码以生成分类统计特征的第一解码器、用于对分类干预特征解码以生成分类干预特征的第二解码器，用于根据交叉熵损失函数、因果一致性损失函数、分类统计特征和分类干预特征生成损失值以调整编码器和解码器的网络参数的因果一致预测模块。
-
公开(公告)号：CN111968088B
公开(公告)日：2023-09-15
申请号：CN202010820826.8
申请日：2020-08-14
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/26 , G06V20/13 , G06V20/70 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于像素和区域分割决策融合的建筑物检测方法，分别构建引入残差结构的基于像素分割模型和引入特征金字塔网络的基于区域双分割模型；从光学遥感数据集中生成训练样本集和测试样本集；对训练集样本中的图像进行预处理；用加入Dice loss和交叉熵损失的混合监督损失训练像素分割模型；将测试样本集输入到训练结束的双分割网络中，分别输出测试样本集的预测结果；根据决策方案融合双分割网络的预测结果，输出测试样本集的最终检测结果，完成检测。本发明关注大型建筑的空间一致性的同时，保留了小型建筑的多尺度特征，保证了建筑物特征的丰富性，提高了建筑物检测准确率。
-
公开(公告)号：CN111968088A
公开(公告)日：2020-11-20
申请号：CN202010820826.8
申请日：2020-08-14
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于像素和区域分割决策融合的建筑物检测方法，分别构建引入残差结构的基于像素分割模型和引入特征金字塔网络的基于区域双分割模型；从光学遥感数据集中生成训练样本集和测试样本集；对训练集样本中的图像进行预处理；用加入Dice loss和交叉熵损失的混合监督损失训练像素分割模型；将测试样本集输入到训练结束的双分割网络中，分别输出测试样本集的预测结果；根据决策方案融合双分割网络的预测结果，输出测试样本集的最终检测结果，完成检测。本发明关注大型建筑的空间一致性的同时，保留了小型建筑的多尺度特征，保证了建筑物特征的丰富性，提高了建筑物检测准确率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
