-
公开(公告)号：CN105741267A
公开(公告)日：2016-07-06
申请号：CN201610045439.5
申请日：2016-01-22
Applicant: 西安电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/10032 , G06T2207/20081 , G06T2207/20084 , G06T2207/30181
Abstract: 本发明公开了一种聚类引导深度神经网络分类的多源图像变化检测方法，避免了传统的变化检测中的前期产生差异图的步骤，克服了多源图像变化检测需要产生差异图的弊端。其实现步骤为：输入光学图像的灰度矩阵；对光学图像进行模糊聚类得到分割后的灰度矩阵；对聚类分割后的光学图像做标记；对光学图像和TM图像进行采样；从TM图像中选取训练样本；训练栈式稀疏自动编码器SAE；利用标签对网络参数进行微调；把TM图像输入到网络输出分类后的图像；对两幅分类后的图作对数比；得到变化检测结果。本发明摒弃了差异图的构造环节，适用于多源遥感图像变化检测，具有受噪声影响小、变化检测结果分类精度高等优点。
-
Patent Agency Ranking
公开(公告)号：CN110084195A
公开(公告)日：2019-08-02
申请号：CN201910346043.8
申请日：2019-04-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的遥感图像目标检测方法，主要解决现有技术不能很好地识别外观歧义的遥感目标，和不能获取足够目标语义信息的问题。其实现步骤是：1.采集遥感图像构建数据集，并将数据集划分为训练集和测试集；2.构建网络模型，该模型包含特征提取子网络，RPN候选框生成网络，上下文信息融合子网络以及多区域特征融合子网络；3.用训练集训练模型，直至训练的迭代次数等于预设的终止次数；4.将测试图像输入到训练好的模型中，得到目标检测的结果。本发明能强化特征的表达能力，丰富目标的语义信息，使目标更具有辨识性，提高了检测的精度，可用于资源勘探、灾害监测和城市规划的遥感图像目标检测。
-
公开(公告)号：CN107871119A
公开(公告)日：2018-04-03
申请号：CN201711059887.1
申请日：2017-11-01
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/6256 , G06K2209/21
Abstract: 本发明公开了一种基于目标空间知识和两阶段预测学习的目标检测方法，利用各种数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和新设计的RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，得到最终的检测结果。本发明与现有的一些方法相比，同时考虑了遥感目标的视觉特性和空间特性，并利用特征提取能力卓越的深层网络实现了端到端的目标候选、特征提取与分类定位，明显提高了遥感目标的检测率，降低了虚警率。
-
公开(公告)号：CN110084195B
公开(公告)日：2022-12-06
申请号：CN201910346043.8
申请日：2019-04-26
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/04 , G06T7/00
Abstract: 本发明公开了一种基于卷积神经网络的遥感图像目标检测方法，主要解决现有技术不能很好地识别外观歧义的遥感目标，和不能获取足够目标语义信息的问题。其实现步骤是：1.采集遥感图像构建数据集，并将数据集划分为训练集和测试集；2.构建网络模型，该模型包含特征提取子网络，RPN候选框生成网络，上下文信息融合子网络以及多区域特征融合子网络；3.用训练集训练模型，直至训练的迭代次数等于预设的终止次数；4.将测试图像输入到训练好的模型中，得到目标检测的结果。本发明能强化特征的表达能力，丰富目标的语义信息，使目标更具有辨识性，提高了检测的精度，可用于资源勘探、灾害监测和城市规划的遥感图像目标检测。
-
公开(公告)号：CN107871119B
公开(公告)日：2021-07-06
申请号：CN201711059887.1
申请日：2017-11-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于目标空间知识和两阶段预测学习的目标检测方法，利用各种数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和新设计的RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，得到最终的检测结果。本发明与现有的一些方法相比，同时考虑了遥感目标的视觉特性和空间特性，并利用特征提取能力卓越的深层网络实现了端到端的目标候选、特征提取与分类定位，明显提高了遥感目标的检测率，降低了虚警率。
-
公开(公告)号：CN105741267B
公开(公告)日：2018-11-20
申请号：CN201610045439.5
申请日：2016-01-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种聚类引导深度神经网络分类的多源图像变化检测方法，避免了传统的变化检测中的前期产生差异图的步骤，克服了多源图像变化检测需要产生差异图的弊端。其实现步骤为：输入光学图像的灰度矩阵；对光学图像进行模糊聚类得到分割后的灰度矩阵；对聚类分割后的光学图像做标记；对光学图像和TM图像进行采样；从TM图像中选取训练样本；训练栈式稀疏自动编码器SAE；利用标签对网络参数进行微调；把TM图像输入到网络输出分类后的图像；对两幅分类后的图作对数比；得到变化检测结果。本发明摒弃了差异图的构造环节，适用于多源遥感图像变化检测，具有受噪声影响小、变化检测结果分类精度高等优点。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
